Feb, 2023

重新审视初始化再精炼：一种不完整和缺失图形填充网络

PDF
TL;DR本文提出了一种基于 RITR（Revisiting Initializing Then Refining）的无监督方法，能同时填补属性不完整和属性缺失的图数据，并在四个数据集上取得了 state-of-the-art 的表现。
graph dataattribute-incompleteattribute-missingrevisiting initializing then refiningunsupervised framework
发现论文，激发创造
  • 迭代图重建进行的数据填充

    本文提出了一种迭代图生成和重构框架用于缺失数据插补，引入了 “朋友网络” 概念以表示样本之间的不同关系，并通过端到端朋友网络重建解决在缺失数据情况下生成准确的朋友网络，实现了数据的不同信息传递。在 8 个基准数据集上的实验结果表明，相比其他九种基准方法，该方法得到了 39.13% 较低的平均绝对误差，并且比第二名低 9.04%。

    Dec, 2022

  • 基于属性缺失图的学习

    本文提出了一种基于分布匹配的图神经网络 SAT，用于解决结点属性缺失情况下的图学习问题，SAT 的性能优于其它方法。

    Nov, 2020

  • MagiNet：面向不完整交通数据的掩码感知图填充网络

    我们提出了一种名为 MagiNet 的 Mask-Aware Graph imputation Network，该方法旨在通过学习不完整数据的潜在表示，并捕捉不完整交通数据中固有的空间和时间依赖性，来填补缺失值。在五个真实世界交通数据集上的广泛实验证明，我们的方法在均方根误差（RMSE）和平均绝对百分比误差（MAPE）方面优于现有最先进的填补方法，平均改进了 4.31% 和 3.72%。

    Jun, 2024

  • ST-GIN：基于时空图注意力和双向循环联合神经网络的交通数据填充不确定性量化方法

    本文提出一种创新的深度学习方法来填充交通数据中的缺失值，采用图形关注架构和双向神经网络来捕捉交通数据中的空间和时间相关性，实验结果表明该方法优于所有基准技术，展示了其有效性。

    May, 2023

  • 使用迭代插值网络恢复丢失传感器数据

    本文介绍一种基于迭代填充网络的模型，用于处理机器学习任务中的传感器数据且能够捕捉数据中的潜在大范围动态，并在北京空气质量和气象数据集中显着优于以往的插值填充方法，同时在不同的缺失率实验中也表现出一致的优越性。

    Nov, 2017

  • 通过自监督对比学习实现属性缺失图的特征插值

    通过 Attribute missing Graph Contrastive Learning (AmGCL) 处理属性图数据中的缺失节点属性，提高特征推断和节点分类两个任务的性能。

    May, 2023

  • 基于卷积的矩阵网络填充

    该研究提出了一种针对部分观察到的矩阵网络的结构假设和优化问题解法，并在医学影像和社交网络等多个领域中得到了证明。

    Jun, 2016

  • 利用节点属性处理不完整关系数据

    本论文提出了一种贝叶斯概率方法，通过将二进制编码的各种节点属性纳入泊松似然的关系模型中，利用侧面信息来提高社区检测和链接预测的性能。该方法可以灵活地处理有向和无向关联网络，利用节点属性的稀疏性，通过高效的 Gibbs 采样实现推理。广泛实验证明，我们的模型实现了最先进的链接预测结果，尤其是在高度不完整的关系数据中。

    Jun, 2017

  • 用图神经网络填补 G_ap_s：多元时间序列插值

    本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

    Jul, 2021

  • 联合商品推荐与属性推断：自适应图卷积网络方法

    该研究提出了一种自适应图卷积网络的方法，用于联合推荐系统中的商品推荐和属性推断，通过迭代学习图嵌入参数和估计属性值来提高性能。

    May, 2020