Mar, 2022

节点与同构外的图表示学习

PDF
TL;DR本文提出了 PairE，一种新的无监督图嵌入方法，使用两个匹配的节点作为嵌入的基本单元以捕捉节点关系和边缘信号，并利用多自监督自编码器完成两个预处理任务以提高性能，实验证明在边缘分类和节点分类任务上有相对较高的性能提升。
unsupervised graph representation learningpairemulti-self-supervised autoencoderedge classificationnode classification
发现论文，激发创造
  • 超越同质性的多视图图形表示学习

    该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

    Apr, 2023

  • 无监督网络嵌入超越同质性

    SELENE 框架通过异质性适应的自我监督学习目标函数优化网络的学习，设计了双通道特征嵌入管道以分辨 r-ego 网络，提高了节点嵌入的质量，从而在同质和异质环境中分辨连接的异质节点，集群准确度提高了 12.52%。

    Mar, 2022

  • 多任务图自编码器

    本论文研究了与图表示学习相关的两个基本任务：链接预测和节点分类，并提出了一种新的自编码器架构，能够学习本地图结构和可用节点特征的联合表示，用于同时进行无监督链接预测和半监督节点分类的多任务学习。

    Nov, 2018

  • 超越平滑化：具有边异质性区分的非监督图表示学习

    提出了一种新的无监督概率图表征学习方法 GREET，通过边鉴别器 (tedge discrimination) 学习鉴别同态和异态的边，采用对偶编码 (dual-channel encodings) 对同态和异态边进行对比，进一步强化边鉴别和表征学习之间的相互协作，提高了在异态图上的泛化能力和鲁棒性。

    Nov, 2022

  • 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

  • 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

    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。

    Jan, 2022

  • 图神经网络中超越同构性：现有限制与有效设计

    该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合，设计出一种草图神经网络（H2GCN），并通过实验表明其在半监督节点分类任务下，具有比传统模型更高的预测准确率，尤其对于异质性网络（即一对连接的节点可能具有不同的类别标签和不同的特征）表现更出色。

    Jun, 2020

  • CAGNN: 面向无监督图表征学习的聚类感知图神经网络

    介绍一种新的无监督图嵌入学习方法，使用自监督技术，通过将节点嵌入进行聚类并预测节点分配情况更新模型参数，加强类内联系和减少类间联系从而更好地保留了嵌入空间中的类簇结构，并在两个基准任务中使用真实世界数据集展开比较实验，证明了该模型在准确性方面比现有基线方法优越，特别地，在节点聚类方面的准确率提升了超过 7%

    Sep, 2020

  • MUSE: 异质图的多视图对比学习

    我们提出了一种用于异质图的多视角对比学习模型 MUSE，通过使用增强的 GNNs 构建两个视图来捕获离心节点及其邻域的信息，并融合这两个视图的信息进行节点表示，通过融合对比增强效果，使用信息融合控制器建模本地和全局节点 - 邻域相似度的多样性，通过交替训练方案确保无监督节点表示学习和信息融合控制器相互增强，在 9 个基准数据集上实验证明了 MUSE 在节点分类和聚类任务上的有效性。

    Jul, 2023

  • 基于图的对比式解缠学习用于节点分类

    基于对比学习方法的成功，该文提出一种用于图上对比解缩的框架，采用了解缩编码器和两个经过精心设计的自监管信号，并使用该框架在 3 个引文网络上进行节点分类任务，实验结果验证了该框架的有效性。

    Jun, 2023