Oct, 2022

DyG2Vec: 自监督下的动态图表征学习

PDF
TL;DRDyG2Vec 是一种适用于动态图的自监督学习方法，利用窗口机制生成任务不可知的节点嵌入来预测未来的交互，并在标准数据集上显著优于现有的状态 - of-the-art 方法，并且只需要部分训练 / 推理时间，适用于少量标签的场景。
dynamic graphsself-supervised learningtemporal motifsrepresentation learningssl pre-training
发现论文，激发创造
  • dyngraph2vec：使用动态图表示学习捕获网络动态性

    基于嵌入方法的动态图形表示学习，结合密集和递归层，研究动态图形中的链路预测问题，并在两个真实数据集上验证了其优越性。

    Sep, 2018

  • 每个节点都不同：动态融合自监督任务用于属性图聚类

    本文提出了一种创新的图聚类方法，名为动态融合自监督学习（DyFSS），通过动态学习不同节点的自监督学习任务的权重，并融合不同自监督学习任务的特征来提高性能。通过在五个数据集上进行广泛实验，DyFSS 在准确性指标上超过了最先进的多任务自监督学习方法，最高可达 8.66％。

    Jan, 2024

  • 动态图上的进化学习

    本文提出一种新的算法 —— 动态图形学习，旨在在动态图形中共同学习图形信息和时间信息，并利用梯度元学习来学习更新策略，在快照上具有比 RNN 更好的泛化能力，能够训练任何基于消息传递的图神经网络以增强表示能力。

    Nov, 2021

  • graph2vec：学习图的分布式表示

    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

  • 神经网络下的动态图表征学习：综述

    本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

    Apr, 2023

  • dynnode2vec：可扩展的动态网络嵌入

    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

  • 图上自监督学习：对比、生成或预测

    本文介绍了在图形数据上进行自监督学习的方法，并将其分为对比、生成和预测三种类型，同时对常用数据集、指标、算法进行了总结，并讨论了未来研究方向。

    May, 2021

  • 图像自监督学习：综述

    本文综述了基于自监督学习技术在图数据中的应用，提出了一个统一的数学框架，并将这些方法根据预文本任务的目标分为四类，并描述了在各个研究领域中的应用及所采用的数据集，评估基准，性能比较和开源图形 SSL 代码。

    Feb, 2021

  • 自监督模型的表示学习动态

    自监督学习是从无标签数据中学习表示的重要范例，本文通过研究 SSL 模型的学习动态，特别是通过最小化对比损失和非对比损失获得表示，提出了施加权重正交性约束的 SSL 目标函数，推导出了在 Grassmann 流形上使用梯度下降训练的 SSL 模型的精确（与网络宽度无关）学习动态，证明了无限宽度逼近的 SSL 模型与监督模型的神经切向核逼近有明显偏差，数值实验证明了理论发现的正确性，并讨论了所呈现结果为对比和非对比 SSL 的进一步理论分析提供了框架。

    Sep, 2023

  • 图上自监督学习：深入解析和新方向

    本文旨在探究无监督自我监督学习在图神经网络中的应用，通过多个实验任务深入理解 SSL 在 GNNs 中的表现，研究了该方法何时、为什么以及哪些策略下的效果最佳，提出了新的 SelfTask 方向来创建先进的预训练任务，并在各种真实世界数据集上实现了最先进的性能。

    Jun, 2020