Sep, 2023

无冗余自监督关系学习用于图聚类

PDF
TL;DR提出了一种名为 R$^2$FGC 的新颖自监督深度图聚类方法，它可以从全局和局部视角提取属性和结构级别的关系信息，并通过保持增加节点之间的一致关系和减少冗余关系来学习具有判别性的嵌入表示。实验证明，R$^2$FGC 在广泛使用的基准数据集上优于现有的基准方法。
graph clusteringnode representationsrelational informationdeep graph clusteringsemantic information
发现论文，激发创造
  • 基于关系的自监督图学习

    本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。

    Aug, 2022

  • 为少样本知识图谱补全学习关系特定表示

    本文提出了一种关系特定的上下文学习框架，通过提取图上的上下文信息和设计分层注意力网络和注意力池化器，可以全局和局部地学习表示来进行 FKGC 任务，实验结果证明了其优于现有的方法。

    Mar, 2022

  • 基于双重相关性减少的深度图聚类

    提出了一种名为 Dual Correlation Reduction Network（DCRN）的方法，该方法采用双重相关性降低的策略来减少节点编码过程中的表征崩溃现象，同时通过 GCN 中引入传播正则化项来缓解过度平滑造成的表征崩溃现象，实验表明该方法在六个基准数据集上相比于现有最先进算法表现更好。

    Dec, 2021

  • ExGRG: 显式生成关系图用于自监督表示学习

    自我监督学习已成为一种强大的技术，通过利用未标记数据中的嵌入信号而不依赖昂贵的注释标签来预训练深度学习模型。本文介绍了一种新的非对比自我监督学习方法，以显式生成组合关系图（ExGRG）来克服图结构数据的语义改变和反直觉性增强的挑战，并展示其在图表示学习中的优越性。

    Feb, 2024

  • 未知簇数的强化图聚类

    我们提出了一种名为强化图聚类（RGC）的新型深度图聚类方法，将集群数量确定和无监督表示学习统一到一个框架中，并通过强化学习机制精确地捕捉图中的局部和全局信息来评估不同集群数量的质量并决定聚类数量。

    Aug, 2023

  • R-VGAE：关系变分图自编码器用于无监督前置条件链学习

    本文提出了一种无监督的模型 - 关系变分图自编码器（R-VGAE）来预测概念之间的关系，并在此基础上扩展 1,717 英文 NLP 相关的讲座幻灯片文件和 322 个主题的手动概念对注释，结果表明我们的方法在先决关系预测准确率和 F1 分数方面为图形半监督方法和其他基线方法提供高达 9.77% 和 10.47% 的性能提升。

    Apr, 2020

  • 增强属性聚类的图形转换：一种创新的图形转换器方法

    本研究引入一种新的方法，将图自编码器与图变压器相结合，称为 GTAGC，以解决传统方法无法捕捉图中节点间复杂全局依赖情况的问题，该方法在基准数据集上表现出卓越性能，展现了图聚类方面的应用前景。

    Jun, 2023

  • 针对图形异常检测的生成式和对比式自监督学习

    本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

    Aug, 2021

  • 基于聚类节点信息的无监督图表示学习算法：Graph InfoClust

    本研究提出了一种用于图数据挖掘的无监督学习方法，称为 Graph InfoClust（GIC），该方法利用可微分 K 均值方法计算出聚类信息并最大化同一聚类节点之间的互信息，从而获得更多信息和节点相互作用，并在节点分类、链路预测和节点聚类等各种下游任务中明显优于现有方法。

    Sep, 2020

  • 校准和提升多关系和时间图上 GNN 的逻辑表达能力

    在这篇论文中，我们研究了图神经网络的逻辑表达能力，特别是其作为多关系图上的布尔节点分类器的能力，并提出了一种简单的图转换技术来增强图神经网络的表达能力。我们还将研究扩展到了时间图上，并通过实验证明了我们的发现。

    Nov, 2023