node2vec 的出乎意料的行为
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
该研究探讨了图形和关系结构的矢量表示,以及生成这些表示的方法。作者提出了两种理论方法来理解矢量嵌入的基础,并建议未来的研究方向。
Mar, 2020
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
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
本文介绍了一种动态网络嵌入方法 dynnode2vec,解决了静态网络嵌入方法在动态网络上运用的问题,并在多个大型动态网络数据集上进行了实证评估。
Dec, 2018
对现代自然语言处理管道的核心构建块 —— 预训练词嵌入的稳定性进行深入研究,通过提出新的嵌入不稳定性度量来解释模型训练的不稳定性,并提出提高嵌入存储大小以达到降低不稳定性的稳定性 - 内存权衡。
Feb, 2020
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
本文综述了图嵌入技术的各种方法,介绍了三个不同的分类方法的代表性算法,并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向,并介绍了一个名为 GEM 的 Python 库,其中提供了所有介绍的算法作为一个统一的接口,以促进和便利这个领域的研究。
May, 2017