经典图结构特征在社区标记上胜过基于因式分解的图嵌入方法

Jan, 2022

经典图结构特征在社区标记上胜过基于因式分解的图嵌入方法

Classic Graph Structural Features Outperform Factorization-Based Graph Embedding Methods on Community Labeling

Andrew Stolman, Caleb Levy, C. Seshadhri, Aneesh Sharma

TL;DR本研究分析并探讨了基于单节点低维度向量嵌入模型的无监督图表示学习方法在节点对社群标记任务方面的表现，发现相对于经典的基于结构特征的模型，该类模型表现较差且在实践中结果不够稳定，因而在捕获社群结构方面存在局限性。

Abstract

graph representation learning (also called graph embeddings) is a popular technique for incorporating network structure into machine learning models. Unsupervised graph embedding methods aim to capture graph structure by learning a low-dimensional vector representation (the embedding)

graph representation learning unsupervised embedding pairwise community labeling low rank factorization logistic model

发现论文，激发创造

探究无监督图嵌入的语义内容：一项实证研究

本文研究图嵌入是否近似于传统的顶点层面图特征，通过从嵌入空间直接预测已知的拓扑特征，使用监督和无监督方法，并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估，测量一系列拓扑特征，我们证明了嵌入空间确实近似了几个拓扑特征，从而提供了关于图嵌入如何创建好表示的关键的洞见。

Jun, 2018

图表示学习：方法与应用

本文综述了在图表示学习领域中，基于深度学习和非线性降维等技术的自动编码图结构为低维向量方法，包括基于矩阵分解、随机游走、图神经网络等方法，并开发了一个统一框架描述这些最新的方法，并为未来的工作提出了一些重要应用和方向。

Sep, 2017

图顶点嵌入：距离、正则化和社区检测

本文研究图嵌入的质量以及其在社区检测方面的有效性，通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离，将顶点嵌入作为距离矩阵的变换结果进行分析，并在多个基准数据集上进行评估。结果表明，该方法操作于降维表示，使得计算复杂度大为减少，且性能与传统算法相媲美。

Apr, 2024

网络表示学习：巩固与更新方向

本研究对 15 个数据集进行了 12 种度量方法的实验研究，其中涵盖了图的非线性降维和表示学习。结果显示，无论是在连接预测还是节点分类任务中，没有一种方法完全胜出。

May, 2019

图嵌入方法在社区检测中的稳健性

本研究探讨了在网络扰动（尤其是边缘删除）的情况下，图嵌入方法在社区检测中的鲁棒性。通过对合成和真实网络进行的实验证明了不同家族的图嵌入方法的不同程度的鲁棒性，发现网络大小、初始社区划分强度和扰动类型等因素对鲁棒性的影响。值得注意的是，node2vec 和 LLE 方法在各种不同情况下，包括度和社区大小异质性网络中，一致表现出更高的社区检测鲁棒性。这些发现强调了根据网络的特性和任务的具体要求选择合适的图嵌入方法的重要性，尤其是在鲁棒性对扰动至关重要的情况下。

May, 2024

评估和解释图的结构节点嵌入的非监督框架

本文提出了一种无监督排序结构化图嵌入的框架，分析了结构化嵌入的特性和被嵌入的预定义节点特征，以达到提高解释性的目的。

Jun, 2023

无监督图表示学习的图级通用潜在因子提取

该论文提出了一种新的无监督图表示学习原则 —— 基于图的通用潜在因子提取（GCFX）以及一个深度学习模型 deepGCFX，利用提取出来的共同的潜在因子来改进下游任务的表现，特别是对于非同配图，还揭示了通用的潜在因子可以减轻节点或局部邻域的局部变化带来的干扰，从而有助于节点或图级的任务执行。

Dec, 2021

GraphViz2Vec：提升 GNNs 分类效果的结构感知特征生成模型

本文提出了一种新的特征提取方法 GraphViz2Vec，可以捕捉节点的局部邻域的结构信息来创建有意义的 GNN 模型的初始嵌入，这些初始嵌入有助于现有模型在各种分类任务中实现最先进的结果。

Jan, 2024

graph2vec：学习图的分布式表示

本研究提出了一种名为 Graph2vec 的神经嵌入框架，用于学习任意大小的图的数据驱动分布式表示。该模型可以应用于图分类、图聚类等下游任务，并取得了显著的性能提升。

Jul, 2017

使用 Node2Vec 学习得到的嵌入进行社区检测和分类保证

通过对大型网络的节点进行嵌入，得到欧几里德空间中的表示是现代机器学习中的一个常见目标，该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析，证明了其在聚类任务中表现出较弱的一致性，并对其在网络数据中的应用进行了讨论。

Oct, 2023