巨大的：使用 TPU 实现大规模无监督图嵌入

KDDJul, 2023

巨大的：使用 TPU 实现大规模无监督图嵌入

HUGE: Huge Unsupervised Graph Embeddings with TPUs

Brandon Mayer, Anton Tsitsulin, Hendrik Fichtenberger, Jonathan Halcrow, Bryan Perozzi

TL;DR图嵌入是网络理解的常用方法，本论文提出了一种基于 Tensor Processing Units 的高性能图嵌入架构，能够解决大规模图的嵌入问题，并通过真实和合成的大规模数据集验证了嵌入空间的质量。

Abstract

graphs are a representation of structured data that captures the relationships between sets of objects. With the ubiquity of available network data, there is increasing industrial and academic need to quickly analyze gr

graphs graph embedding network understanding tensor processing units embedding space quality

发现论文，激发创造

PyTorch-BigGraph：大规模图嵌入系统

通过对现有的图嵌入系统进行多方面调整，将图划分为更小的子图进行处理，我们提出了创新型的 PyTorch-BigGraph (PBG) 嵌入系统，其可以扩展到包含数十亿个节点和万亿条边的图谱，使得我们能够对大型社交网络图和 Freebase 数据集等各种大型图谱进行分布式处理和大规模分析。

Mar, 2019

TpuGraphs: 大型张量计算图的性能预测数据集

该论文介绍了基于 Tensor Processing Units（TPUs）上运行的完整张量程序（表示为计算图）的性能预测数据集 TpuGraphs，该数据集提供了大规模图的图级预测任务，涉及规模可比较的图属性预测数据集的 25 倍的图，以及平均比现有的机器学习程序性能预测数据集大 770 倍的大型图，从而带来了从可伸缩性、训练效率到模型质量等方面的新挑战。

Aug, 2023

DeepTrax: 金融交易图嵌入

本文使用图形嵌入方法将信用卡交易的账户和商家实体嵌入到欧氏向量空间中，并展示了这些嵌入可以用于欺诈检测等机器学习业务应用。

Jul, 2019

图嵌入的全面调查：问题、技术和应用

本文从图形嵌入的定义、挑战及其使用展开了全面综述，总结了图形嵌入的应用领域，提出了四个未来研究方向。

Sep, 2017

使用哈希的嵌入压缩技术，用于大规模图表现学习的高效方法

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

探究无监督图嵌入的语义内容：一项实证研究

本文研究图嵌入是否近似于传统的顶点层面图特征，通过从嵌入空间直接预测已知的拓扑特征，使用监督和无监督方法，并通过对五种最先进的无监督图嵌入技术进行广泛的实验评估，测量一系列拓扑特征，我们证明了嵌入空间确实近似了几个拓扑特征，从而提供了关于图嵌入如何创建好表示的关键的洞见。