部分可观察子图表示学习的模型和基准
本文研究无监督与半监督情境下,学习整个图的表示。通过最大化不同规模子结构(例如节点,边和三角形)的表示和图表示之间的互信息,提出了名为 InfoGraph 的图级表示学习方法。InfoGraph 优于现有的竞争基线。同时,我们还提出了一个名为 InfoGraph * 的扩展,主要用于半监督学习。
Jul, 2019
通过引入信息瓶颈理论的设计,结合相似桥接原理和互信息估计式的互动,提出了一种新型的子图信息瓶颈架构来识别预测压缩的子图,成功去除了图数据中的噪音和冗余,具有高效和稳定性,得到了较好的优化结果和理论边界。
Mar, 2021
本文提出了一种自监督学习方法,使用子图增强图级表示,设计了三种信息聚合器:attribute-conv,layer-conv 和 subgraph-conv 以从不同方面收集信息,并提出了头尾对比构建以提供丰富的负样本。在多个基准测试中,结果显示出了新的无监督状态下的最先进的结果,并在半监督学习任务上对其进行了公平比较。
Mar, 2021
该研究提出了一种名为 Variational Graph Information Bottleneck (VGIB) 的框架,用于识别图形中最具信息量的压缩子结构,VGIB 通过对图形施加噪声注入的方式,再通过过滤噪声来获得所需的子图,并在图解释、图神经网络的可解释性和图分类等方面进行了广泛实验。
Dec, 2021
通过提取子图并利用 Personalized PageRank 方法进行预测,本研究在知识图谱中实现了高效和自适应的链接预测,提升了效率并在五个大规模基准测试上取得了领先的性能。
Mar, 2024
本研究提出了一种利用相邻子图信息来求解知识图谱中未观察实体之间关系的方法,其中利用相邻关系来强化节点特征和稀疏子图的关系,并应用互信息最大化来全局建模相邻关系,实验证明该方法在归纳式链接预测任务上明显优于现有最先进方法,并证实了全局建模相邻关系在特征建模和稀疏子图推理中的有效性。
Jul, 2022
本研究提出一种名为 MVGIB 的多视角变分图信息瓶颈原则用于跨视角融合图信息,并使用相互信息约束公式化其共享信息和视角特定信息。经过广泛的图形基准数据集实验表明了所提出方法的卓越效果。
Oct, 2022
提出了一种隐私保护的图表示学习框架,其中含有主要学习任务和隐私保护任务,并考虑了节点分类和链接预测作为两个感兴趣的任务,目标是利用互信息目标学习节点表示,同时获得隐私保护任务的性能接近随机猜测,并且实验评估了该框架在各种图数据集上的表现。
Jul, 2021
通过一阶逻辑和子任务实体来建模子任务依赖关系,学习零样本实体属性,并且比以前的方法更有效地学习层次和组合任务的潜在结构,示范 PSGI 可以泛化模拟在适应期间未见到过的子任务结构。
Mar, 2022