Aug, 2022

Grad-Align+: 利用属性增强增强渐进式网络对齐

PDF
TL;DR本文提出了一种基于节点属性增强的网络对齐方法 Grad-Align+，其采用图神经网络计算嵌入相似性矩阵，并逐步发现跨网络节点对，实验结果表明该方法在节点属性缺失情况下表现优异，并有效增强了方法的鲁棒性。
network alignmentnode correspondencesgrad-align+node attribute augmentationgraph neural network
发现论文，激发创造
  • 节点特征增强维生素化网络对齐

    提出了一种名为 Grad-Align+ 的网络对齐方法，通过中心性节点特征增强、图神经网络辅助嵌入相似度计算以及 Grad-Align 中逐步发现节点对的信息，实现了在缺少锚定连接或节点特征信息的情况下高效准确的网络对齐。

    Apr, 2023

  • 逐步网络对齐的能力：基于双感知相似性的方法

    本研究提出了 Grad-Align，一种全新的网络对齐方法，通过渐进地发现具有强一致性的节点对来逐步对齐节点，实现了更加准确的节点匹配。在真实世界和合成数据集的综合实验中，我们证明了 Grad-Align 在网络对齐方面优于现有的最先进的方法。

    Jan, 2022

  • 具有可转移图自编码器的网络对齐

    网络对齐是在不同图形之间建立一对一对应关系的任务，我们提出了一种新颖的广义图自编码器架构，旨在提取强大且鲁棒的节点嵌入，以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。我们的框架还利用迁移学习和数据增强，在无需重新训练的情况下实现了非常大规模的网络对齐。对真实世界图形的广泛实验提供了证据，支持所提方法的有效性和可扩展性。

    Oct, 2023

  • GANN: 用于半监督学习的图形对齐神经网络

    本文提出了一种简单而有效的 GNN 体系结构，名为 GANN，采用三个新型的图信息对齐规则，以解决标记数据有限导致 over-smoothing 的问题，并在半监督图节点分类任务中拥有优于竞争对手的表现。

    Mar, 2023

  • multiMAGNA++ 多网络对齐

    本论文提出了一种新的多网络差异对齐（MNA）方法 multiMAGNA++，通过在对齐构建过程中同时优化边保留和节点保留，此方法在方法评估中也引入了新的 MNA 质量度量来更全面地描述差异对齐，该方法优于或与现有 MNA 方法相当，并且通常比现有方法更快地完成对齐，而且适用于大规模网络数据并能有效实现并行。

    Apr, 2016

  • 图增强聚类网络

    该研究提出了一种新颖的图增强聚类网络，通过自适应增强初始图的方法，能够实现更好的聚类性能，实验结果表明该方法在六个基准数据集上的表现优于现有的几种先进方法。

    Nov, 2022

  • 深度对抗网络对齐

    使用深度对抗学习技术，通过找到复杂的映射来对齐两个网络的嵌入分布，然后使用我们学习到的映射函数进行高效的最近邻节点对齐，该算法能够在真实世界的数据集上展现其有效性。

    Feb, 2019

  • 图链接预测中优化泛化性的由节点特征与图拓扑的解耦

    利用节点属性的预训练来改善连接预测模型的泛化能力，通过学习一个函数，UPNA 方法解决了归纳连接预测问题，超过了基准数据集上基准模型的表现。

    Jul, 2023

  • 基于数据的网络对齐

    TARA, a data-driven framework for biological network alignment, utilizes a classifier to predict functional relatedness based on network topological patterns and outperforms existing state-of-the-art methods.

    Feb, 2019

  • 带门控多跳邻居聚合的知识图谱对齐网络

    本研究提出了一种名为 AliNet 的知识图谱对齐网络，通过引入远程邻居扩展对应实体的邻域，并采用注意力机制和门控机制，控制了直接邻居和远端邻居信息的整合，进而通过关系损失优化实体表示。在五个实体对齐数据集上的实验证明了 AliNet 的有效性。

    Nov, 2019