AAAIJan, 2022

VGAER: 基于图神经网络重构的社区发现

PDF
TL;DR本文提出了一种基于变分图自编码器重构的社区检测方法 VGAER，通过融合高阶模块化信息与网络特征，不需要任何先验信息，设计了对应的输入特征、解码器和下游任务，并在广泛数据集和先进方法的一系列实验中取得了卓越的性能和竞争力。该方法具有更简单的设计，并展现了强大的网络模块化能力。
community detectiongraph neural networksvariational graph autoencodermodularity informationnetwork features
发现论文，激发创造
  • 基于图自编码重构的快速社区检测

    本文提出了一种基于图自编码器重构的社区检测框架 (GAER)，该框架在大规模网络中不需要任何先验信息，具有高度的可扩展性，在实时图形中可以加速模型推理速度，并在几乎所有网络上实现了卓越的性能。

    Mar, 2022

  • 图自编码器的新前沿：联合社区发现与链路预测

    通过提出一种基于社区保持的消息传递方案及新的训练优化策略来同时提高图的社区检测和链接预测任务的性能；在各种真实世界的图中，我们证明了这种方法的实验有效性。

    Nov, 2022

  • 变分图自编码器

    本文提出可变图自编码器 (VGAE) 框架，用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量，能够学习图的可解释的潜在表示。在引文网络的链接预测任务中，我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比，我们的模型可以自然地融入节点特征，从而在许多基准数据集上显著提高预测性能。

    Nov, 2016

  • CommunityGAN：使用生成对抗网络进行社区检测

    本文提出了 CommunityGAN，一个新的社区检测框架，旨在共同解决重叠社区检测和图形表示学习问题，通过采用生成对抗网络（GAN）来优化这种嵌入，实现对顶点到社区的归属强度的量化和最终的社区结构输出。实验证明，CommunityGAN 取得了显著的社区检测性能提升。

    Jan, 2019

  • 基于结构化变分图自编码器的准确节点特征估计

    本文提出了一种名为 SVGA 的结构化变分图自编码器方法，通过结构化变分推理建模变量的先验分布，并将概率推理和图神经网络相结合，实现了对缺失节点特征的高精度估计。

    Jun, 2022

  • 基于变分图自编码器的归纳学习方法用于半监督分类

    提出了自标签增强的 VGAE 模型，包括自标签增强方法（SLAM），用于图的归纳学习，通过在模型训练中进行标签重建以利用标签信息，并采用节点遮盖方法生成伪标签来增强标签信息。实验证明在半监督学习设置下，我们的模型在节点分类上表现出明显的优势。

    Mar, 2024

  • vGraph: 一种联合社区检测和节点表征学习的生成模型

    本文提出了一种基于概率生成模型的方法 vGraph，用于协同地学习社区成员和节点表示，旨在发现图的全局和局部结构；实验表明 vGraph 在社区检测和节点表征学习方面的性能优于多个竞争基线。

    Jun, 2019

  • 基于图神经网络的重叠社区发现

    本研究提出了一种基于图神经网络的模型，用于检测重叠社区，相对于现有的基线方法，我们的模型表现更为出色。此外，我们的实验表明，该模型具有有效性、可扩展性和对超参数设置的鲁棒性，并且图神经网络是该模型的关键因素。

    Sep, 2019

  • 利用解缠结构图自编码器学习网络表示

    我们介绍了 “解缠图自编码器” 和 “解缠变分图自编码器”（DGA 和 DVGA）的方法，其利用生成模型学习解缠表示，通过设计多通道信息传递层的解缠图卷积网络作为编码器，以及引入在不同潜在因素上的独立性约束，我们的方法在合成和真实数据集上实验表明其优越性。

    Feb, 2024

  • 基于邻域瓦瑟斯坦重构的图自编码器

    该研究提出了使用邻域 Wasserstein 重构方法实现更好的无监督 GNN 训练，生成更具优势的以结构为导向的图挖掘任务的无监督节点表示。

    Feb, 2022