图神经网络中的神经哈密顿轨道节点嵌入
SAH-GNN 是一种新颖的方法,它通过在培训过程中采用对称史蒂费尔流形上的黎曼优化,以自适应地学习底层辛结构,从而推广了 Hamiltonian 动力学,实现了对各种图数据集的自动适应性,具有出色的节点分类任务性能和适应性。
Sep, 2023
该论文提出了一种节点嵌入方法,通过学习时间图的节点和边的演变,利用一种时间节点嵌入模型进行不同的图形预测任务,并通过合并历史嵌入,优化每个特定任务来创建一个节点的时间嵌入。评估表明,与竞争基线和算法替代方案相比,我们的算法在许多数据集和基线上都显示出性能改进,并且在较不凝聚、具有较低聚类系数的图形中效果特别显著。
Mar, 2019
本研究提出了一种新型的节点嵌入方法,通过全局最小化成对相对熵和非线性的图地理路径,将每个节点编码为测量空间上的概率密度函数,并研究了其几何性质和有效的学习过程,实验结果表明,该方法在保留全局地理信息方面优于现有模型,并在无监督设置下在各种评估指标上表现出色。
May, 2019
将图编码嵌入方法扩展到包括加权图、距离矩阵和核矩阵等一般图模型,证明该方法满足大数定律和中心极限定理,能够在一定条件下实现渐近正态性,并通过一系列实验证实了这些理论发现。
May, 2024
本研究提出了一种新颖的力导向图嵌入方法,利用稳定的加速度动力学公式来嵌入节点,以保留图拓扑和结构特征,实现了高性能的图处理和分析任务,相比最先进的无监督嵌入技术具有竞争性的性能。
Sep, 2023
通过使用压缩方法,我们可以将节点嵌入用比浮点向量更紧凑的向量表示,从而实现在工业级规模的图形数据上快速训练图神经网络,同时达到更好的性能。
Aug, 2022
在本文中,我们提出了一种新颖的方法,通过采用交替随机游走策略来生成特定角色的顶点邻域,并在相应的源 / 目标角色中训练节点嵌入,以在完全利用有向图的语义的同时,为有向图中的两个不同节点角色维护单独的视图或嵌入空间,成功地解决了先前方法无法对边的定向性进行编码或其编码不能在不同任务中进行推广的问题,并在几个真实世界数据集上展示了我们方法的有效性,我们表明我们的嵌入是稳健,可推广和在多种任务和图表现良好,并且在节点分类任务中始终优于基线模型。
Oct, 2018
本文提出了一种名为 `Diffusion Graphs` 的图嵌入方法,其通过简单的顶点序列生成可以获得更高的计算效率和更加准确的嵌入结果。实验证明,该方法在图中边密度越大时性能越好,同时在社区检测任务中,利用嵌入空间中的聚类节点可以获得比其他序列嵌入方法更好的结果。
Jan, 2020