Aug, 2023

基于数据驱动的自主系统内部图生成器

PDF
TL;DR该研究介绍了一种新颖的基于深度学习的合成图生成器，用于表示互联网中自治系统（AS）内部的图结构，称为互联网深度生成图（DGGI）。同时，还提出了一个来自 Internet Topology Data Kit（ITDK）项目的真实自治系统内部图的大规模数据集，称为 Internet Graphs（IGraphs）。通过开发 Filter Recurrent Multi-level（FRM）算法进行社区提取，创建了 IGraphs。实验证明，DGGI 生成的合成图能够准确地再现中心性、聚集性、同配性和节点度数等特性。相较于现有的互联网拓扑生成器，DGGI 生成器的性能表现更好。在同配性、介数、聚类系数和节点度数分别为 84.4％、95.1％、97.9％和 94.7％平均提高了最大平均偏差（MMD）指标。
发现论文，激发创造
  • 深图信息最大化

    Deep Graph Infomax 提出了用于无监督学习图结构数据中节点表示的一般方法，可用于节点分类任务，并且相比大多数先前的方法，不依赖于随机游走目标。

    Sep, 2018

  • 时空深度图最大化

    本研究介绍一种基于相互信息最大化的空间时间深度图形信息增强模型，致力于解决结构变化频繁的交通、基因等复杂地理信息系统的表征问题，并证明其可显著提高空间时间自回归预测模型的预测性能。

    Apr, 2019

  • 用于大规模图形生成的分层 GNN

    该研究提出了一种名为 HIGGS 的模型无关框架，使用具有条件生成能力的 GNN 模型以分辨率层次结构采样图来生成具有大规模且具有现实局部结构的图。

    Jun, 2023

  • CGGM: 一种适用于物联网网络中节点异常检测的具有自适应稀疏性的条件图生成模型

    本文介绍了一种名为 CGGM 的新颖图生成模型，用于在动态图中生成属于少数类的更多节点，并通过自适应稀疏性增强了灵活性，使用多维特征生成器（MFG）生成节点特征和拓扑信息，并通过多阶段损失调整合成数据的分布以更好地模拟真实数据，实验证明 CGGM 的合成数据在各种指标上优于现有方法，有效增强了多类别分类模型的性能。

    Feb, 2024

  • 生成 Doppelganger 图：类似但不同

    本文提出了一种生成重影图的方法，该图与给定图在许多图属性上相似，但难以用于反向工程，这种方法是图表示学习，生成的对抗网络和图实现算法的组合。通过与几个图生成模型的比较，我们证明了我们的结果几乎不能复制给定的图，但却与其属性密切匹配。我们进一步展示，对于生成的图进行节点分类等下游任务时，其性能类似于使用原始图的性能。

    Jan, 2021

  • 基于分布的双向生成对抗网络用于图表示学习

    本文提出了一种基于分布感知的双向生成对抗网络（DBGAN）来学习图表示，该网络通过原型学习隐式地桥接了图和特征空间，生成了所有节点的判别性和稳健性表示，并通过双向对抗学习框架平衡了对样本级和分布级一致性，在各种任务中实现了更有利的折衷方案。

    Dec, 2019

  • 异质深度图卷积网络

    本文提出了一种基于信息理论的非监督图神经网络方法，即异构深度图 Infomax（HDGI），用于解决异构图的特征提取与表示问题，利用本地 - 全局互信息最大化捕获高级节点表示，并在分类和聚类任务上取得优秀的表现。

    Nov, 2019

  • 深度图生成器：综述

    本综述对基于深度学习的图形生成方法进行了全面调查，并将其分为自回归，自编码，强化学习，对抗生成和流生成五类，给出了各类方法的详细描述，并介绍了公开源代码，常用数据集和最广泛使用的评估指标，最后强调了现有的挑战和讨论了未来的研究方向。

    Dec, 2020

  • 3DG：利用生成式人工智能处理来自智能辅导系统的稀疏学习者性能数据的框架

    通过使用 3DG 框架（三维张量的增密和生成）以及结合张量分解和生成对抗网络（GAN）以及生成预训练变换器（GPT）这些先进生成模型的方法，我们有效地增强了学习表现数据的填补和扩充，从而解决了智能辅导系统（ITS）中数据稀疏性问题，并大大提高了个性化教育技术的可伸缩性和可靠性。

    Jan, 2024

  • 反对称 DGN：用于深度图网络的稳定架构

    本文介绍了一种通过分析常微分方程而提出的抗对称深度图网络（A-DGNs）框架，该框架设计稳定而不耗散，能够有效地保存节点之间的长距离信息，并且不会发生梯度消失或爆炸的现象。该方法在多个图像基准测试中均获得了改进的性能，即使使用大量的层数也能有效学习。

    Oct, 2022