结构保持图表示学习

Sep, 2022

Structure-Preserving Graph Representation Learning

Ruiyi Fang, Liangjian Wen, Zhao Kang, Jianzhuang Liu

TL;DR提出了一种新型的结构保持的图表示学习方法（SPGRL），通过构建特征图对原始图进行对比，在保留全局拓扑结构信息的同时最大化整幅图和特征嵌入的互信息，该方法在简单噪声扰动下表现优异，且针对半监督节点分类任务具有很高的性能。

Abstract

Though graph representation learning (GRL) has made significant progress, it is still a challenge to extract and embed the rich topological structure and feature information in an adequate way. Most existing methods focus on local structure and fail to fully incorporate the global topo

graph representation learning structure information feature graph mutual information node classification

发现论文，激发创造

基于关系的自监督图学习

本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。

Aug, 2022

SMGRL: 可扩展的多分辨率图表示学习

我们提出了一个可应用于任何现有 GCN 模型的可扩展多分辨率图表示学习 (SMGRL) 框架，通过学习多分辨率节点嵌入有效地捕获长和短距离依赖，并将其聚合以产生捕获高质量节点嵌入的优化算法，同时提高分类准确度，而不会产生高计算成本。

Jan, 2022

基于结构知识精细化的图级蛋白质表示学习

本文提出了一种名为 “结构知识细化” 的新框架，用于在无监督的情况下学习整个图形级别的表示，该框架通过数据结构确定一对数据是否为正或负，并通过直观观察和实验证明了其在图形级别分类任务上优于大多数最先进的对照方法。

Jan, 2024

基于局部结构的图形对比表示学习

我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

Aug, 2023

使用本地和全局结构进行自监督的图级表示学习

该论文提出了一种统一框架，名为 GraphLoG，用于自监督整图表示学习，其除保留本地相似性外，还引入了分层原型来捕捉全局语义簇，进一步发展了一个高效的在线期望最大化算法来学习该模型，并在化学和生物基准数据集上进行了广泛实验，证明所提出的方法的有效性。

Jun, 2021

GraLSP：具有局部结构模式的图神经网络

我们提出了 GraLSP—— 一种图神经网络框架，通过随机匿名游走显式地将局部结构模式纳入邻域聚合中，设计了各种机制来解决结构特征的影响，包括自适应感受野、注意力和放大，并设计了捕捉相似性的目标，结合节点邻近度目标进行优化。

Nov, 2019

高效的基于子图的图表示学习算法与系统协同设计

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

保持自组织的相关信息原理图结构学习

提出了 PRI-GSL 框架，利用相关信息原理指导图结构学习，通过 von Neumann 熵和量子 Jensen-Shannon 离差度量最相关但最不冗余信息，融合量子连续行走的演化和图小波编码节点结构角色，揭示其自组织和隐藏结构。广泛实验证明 PRI-GSL 具有更高的有效性和鲁棒性。

Dec, 2022

自主引导的鲁棒图结构优化

在本文中，我们提出了一种自导向的图结构加强 (GSR) 框架 (SG-GSR)，该框架利用给定的受攻击图中发现的一个干净的子图。此外，为了应对干净子图提取中的两个技术挑战，即结构信息的丢失和不平衡节点度分布，我们提出了一种新颖的图扩充和群体训练策略。广泛的实验证明了 SG-GSR 在各种情况下的有效性，包括非目标攻击、有针对性的攻击、特征攻击、电子商务欺诈和嘈杂节点标签。

Feb, 2024

带有特征和邻接矩阵对齐的强健图结构学习

本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。

Jul, 2023