用图对比学习的框架,我们提出了一种多节点中心子图对比表示学习方法,以自我监督的方式学习图中节点的表示,通过对中心节点的一系列节点中心区域子图进行精心设计,通过对同一节点的不同子图之间的互信息进行对比损失的最大化来实现。对各种真实世界数据集和不同下游任务的实验证明,我们的模型取得了最先进的结果。
Aug, 2023
使用 SubGNN 模型对含有多个离散链接的生物医学数据集上的子图进行预测任务,通过神经路由机制,网络能够学习分离的子图表示,其中指定了三个信道以捕捉子图拓扑的不同方面,并在 8 个子图分类数据集上以及具有复杂拓扑结构和多个未连接组件的具有挑战性的生物医学数据集上优于基线模型 19.8%。
Jun, 2020
SUREL 是一种可伸缩的 subgraph-based graph representation learning(SGRL)框架,通过步行分解子图来构建和重用子图,从而实现减少子图提取的冗余和支持并行计算,相较于 SGRL 基线,SUREL 达到 10 倍的加速,而预测性能相当甚至更好;而与规范的 GNN 相比,SUREL 实现了 50%的预测准确度提高。
Feb, 2022
本文提出了一种名为 Union Subgraph Neural Network 的图神经网络模型,通过注入从新类型的子结构中提取的邻居连接信息以有效地编码高阶连接性,该模型被证明在区分非同构图方面比 1-WL 更强大,并且在 17 个基准测试中表现出优异的性能,尤其是在现有模型的局部编码的基础上注入我们的局部编码,可以最多提高 11.09% 的性能。
May, 2023
本文提出了一种名为 StarGraph 的方法,其利用在大规模知识图谱中获取实体表示的新方法 —— 生成每个目标节点的不完整的二跳邻居子图,然后通过修改的自注意力网络处理以获得实体表示,以取代传统方法中的实体嵌入。该方法在 ogbl-wikikg2 上取得了 SOTA 性能并在 fb15k-237 上具有竞争力的结果,证明了 StarGraph 在语参数上的高效,并证明了它对大规模知识图谱的表示学习的巨大效能。
May, 2022
本文介绍了 HyperSAGE,这是一种新的超图学习框架,它使用了双层神经消息传递策略来准确高效地通过超图进行信息传播,并比基准数据集上的现有方法表现更好,具有更高的表达能力和更稳定的节点表示。
Oct, 2020
介绍将子图网络方法引入 GCN 模型用于跨语言知识图谱实体对齐任务,并在实验中证明该方法优于现有 GCN 方法。
我们提出了一种名为 Policy-Learn 的新方法,该方法通过学习如何选择子图解决了学习从大量可能的子图中选择一个小子图集的问题,并在实验结果中表现优于现有的基线模型。
Oct, 2023
本篇论文提出了一种不需要标记技巧,同时能够在维护泛化能力的同时提高可扩展性的用于子图分类的机器学习模型 Stochastic Subgraph Neighborhood Pooling (SSNP),通过结合子图和其邻域的信息,以及简单的数据增强预处理步骤来多视角观察邻域的信息,并在大规模图像数据集上的实验证明其在性能和速度方面的优越性。
Apr, 2023
GNNS 是一种基于图神经网络的新型表示学习框架,可以高效地采样子图并估算其频率分布,达到与现有方法相当的准确性和显著的加速效果。
Jul, 2022