无监督网络嵌入超越同质性

Mar, 2022

Unsupervised Network Embedding Beyond Homophily

Zhiqiang Zhong, Guadalupe Gonzalez, Daniele Grattarola, Jun Pang

TL;DRSELENE 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%。

Abstract

network embedding (NE) approaches have emerged as a predominant technique to represent complex networks and have benefited numerous tasks. However, most NE approaches rely on a homophily assumption to learn embeddings with the guidance of supervisory signals, leaving the unsupervised h

network embedding unsupervised learning heterophily selene framework node embeddings

发现论文，激发创造

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

节点与同构外的图表示学习

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。

Mar, 2022

属性社交网络嵌入

本文提出了一种基于网络结构和社交演员属性相似性的社交网络嵌入框架，在节点分类和链接预测任务上均实现了显著的性能提升，比如在链接预测任务上相比 node2vec 提高了 8.2%。

May, 2017

异质友善信息增强图神经网络

在异质性的情况下，图神经网络（GNNs）往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习，进而构建了一种新的图结构 HiGNN，该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较，我们验证了 HiGNN 在改进图表示方面的有效性，并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法，以及在真实世界数据集中的同质性程度，从而证明了我们方法的功效。

Mar, 2024

ActiveHNE: 活跃的异构网络嵌入

本论文提出了一种基于主动学习的异构网络嵌入框架 ActiveHNE，该框架使用图卷积神经网络实现半监督的异构网络嵌入，并开发了基于不确定性和代表性的三种主动选择策略，使用多臂赌博机机制组装这些策略，以改进异构网络嵌入的性能，实验证明其具有很好的性能。

May, 2019

异构网络表示学习：一种具有调研和基准的统一框架

本研究旨在提供一个统一框架以深入概述和评估异构网络嵌入 (HNE) 的现有研究，并通过提供分类和分析不同现有 HNE 算法的优点和缺点、创建四个基准数据集以便于对 HNE 算法进行公正的评价、以及修改并创建 13 个受欢迎的 HNE 算法的友好界面，并在多个任务和实验设置中进行全方位比较来推动深度学习在异质网络关键任务中的应用。

Apr, 2020

自我关注的异质图双嵌入

本研究设计了一种新颖的图神经网络，通过自注意机制，优先适应不同的图的不同节点特征和拓扑结构，且考虑到正负权重和节点对称性，在处理同构和异构图分类任务上，相较于传统的图神经网络实现了最领先的性能。

May, 2023

SepNE: 将可分离性引入网络嵌入

本文提出了一种基于矩阵分解的网络嵌入算法，该算法通过实现节点分离来减少不相关节点的嵌入，从而达到大规模网络的可扩展性，适用于分布式学习以及其他进一步适应性，实验结果表明，该算法在保证准确性的前提下，显著提高了大型网络的运行时间，并优于现有的基线算法。

Nov, 2018

基于同质性增强的图聚类结构学习

提出了一种基于同质性增强的结构学习方法（HoLe），通过两个聚类导向的结构学习模块对图结构进行了优化，并通过交替训练同质性增强的结构学习和基于 GNN 的聚类来实现它们的相互作用，在多个基准数据集上证明了其优越性。

Aug, 2023

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