Jul, 2023

在有向带符号图中学习无社交假设的解耦表示

PDF
TL;DR本文提出了一种不依赖社会假设的学习有向带符号图中解耦节点表示的方法 DINES，采用解耦框架来将每个嵌入分解成不同因素，以捕捉多个潜在因素，并通过轻量级图卷积以及有效的边符号分类解码器来提高模型表达能力，实验证明 DINES 在有向带符号图中有效地学习了解耦节点表示，并在符号预测任务中显著优于其竞争对手。
signed graphsnode representationsdisentangledlatent factorsdines
发现论文，激发创造
  • SDGNN：学习有向带符号网络节点表示

    本文提出了一种名为 SDGNN 的有向图神经网络模型，根据社会理论在有向网络中学习节点嵌入表示，并同时重建了链接的符号、方向和符号三角形。实验证明，该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。

    Jan, 2021

  • 基于图的对比式解缠学习用于节点分类

    基于对比学习方法的成功，该文提出一种用于图上对比解缩的框架，采用了解缩编码器和两个经过精心设计的自监管信号，并使用该框架在 3 个引文网络上进行节点分类任务，实验结果验证了该框架的有效性。

    Jun, 2023

  • 可解释的深度图形生成 —— 节点、边的协同解耦

    本研究提出了一种新的解缠结生成模型的增强型框架，采用新的变分目标来解缠所有类型的潜在因子，并通过新的节点和边解缠架构进一步增强单因子的解缠度。定量定性实验表明，该模型扩展性强，能够高效地解决解缠在图像生成中的问题。

    Jun, 2020

  • 带符号网络中深度网络嵌入的图表示学习

    本研究使用深度学习网络嵌入方法，在保持结构平衡的前提下，学习有符号网络中的低维节点向量表示，并实现签名网络中的连接符号预测和社区探测。

    Jan, 2019

  • 有符号网络的分布式表示

    SIGNet 是一种针对有符号网络的嵌入方法，利用社会平衡理论建立目标函数，加上新的有针对性的节点抽取策略来维护高阶邻域的结构平衡，较其他方法更优，可以生成更丰富的有符号网络特征词汇以支持表达和推理。

    Feb, 2017

  • 促进独立性的图解开网络

    本文提出了一种利用 Hilbert-Schmidt 独立准则以及邻域路由机制实现图卷积网络中的解缠编表示学习方法，能够提高结点表示的独立性，实验结果验证了该算法在半监督图分类、图聚类和图可视化等网络应用中的有效性。

    Nov, 2019

  • 探索边缘解缠技术用于节点分类

    本文提出了一种自我监督方法并设计了三个前置任务来指导自动边界分离，同时将其与下游节点分类任务一起训练，以促进通道的捕获可区分关系和邻域相互作用，并且输出它们作为节点表示。实验结果表明 DisGNN 在六个真实世界数据集上取得了显着的性能提升，为边缘分离和图学习提供了一种新的解决方案。

    Feb, 2022

  • 有符号图卷积网络

    本文提出了一种基于平衡理论的有向图卷积神经网络模型，用于在带有正负连接的有向图中进行节点表示学习，并证明其在 link sign prediction 等问题上的有效性。

    Aug, 2018

  • 节点与同构外的图表示学习

    本文提出了 PairE，一种新的无监督图嵌入方法，使用两个匹配的节点作为嵌入的基本单元以捕捉节点关系和边缘信号，并利用多自监督自编码器完成两个预处理任务以提高性能，实验证明在边缘分类和节点分类任务上有相对较高的性能提升。

    Mar, 2022

  • 通过解耦表示学习增强图神经网络中的大小概括能力

    提出了一种名为 DISGEN 的图神经网络 (GNN) 的模型非特定框架，旨在从图表示中消除大小信息，提高 GNN 的大小泛化能力，实证结果表明 DISGEN 在真实世界数据集上优于现有的模型。

    Jun, 2024