Oct, 2023

具有可转移图自编码器的网络对齐

HTML
PDF
TL;DR网络对齐是在不同图形之间建立一对一对应关系的任务，我们提出了一种新颖的广义图自编码器架构，旨在提取强大且鲁棒的节点嵌入，以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。我们的框架还利用迁移学习和数据增强，在无需重新训练的情况下实现了非常大规模的网络对齐。对真实世界图形的广泛实验提供了证据，支持所提方法的有效性和可扩展性。
发现论文，激发创造
  • 使用自编码器在图上进行预测的学习

    本文利用一种新的自编码器结构，能够有效地学习本地图结构和已有节点信息的联合表示，以进行链接预测和节点分类的多任务学习，并在9个基准图结构数据集上进行了全面的实证评估，证明了其优于现有方法的表现。

    Feb, 2018

  • 多任务图自编码器

    本论文研究了与图表示学习相关的两个基本任务：链接预测和节点分类，并提出了一种新的自编码器架构，能够学习本地图结构和可用节点特征的联合表示，用于同时进行无监督链接预测和半监督节点分类的多任务学习。

    Nov, 2018

  • 可扩展图自编码器的退化框架

    该论文提出了一个基于图退化概念的图自编码器和图变分自编码器的扩展框架，它可以训练只用稠密节点子集的模型而不是整个图。结合一个简单但有效的传播机制，方法可显著提高可扩展性和训练速度，并在多种现有图自编码器和图变分自编码器的变体上进行了评估和讨论。实验结果表明，该方法在大规模图上具有与其他流行的节点嵌入方法相当的性能。

    Feb, 2019

  • 保持简单：无需图卷积网络的图自编码器

    本文提出一种替代图卷积网络 (GCN) 编码器的简单线性模型来学习节点的向量表示，并通过实验证明在多个现实世界的图中，如 Cora、Citeseer 和 Pubmed 引文网络上，其表现与基于 GCN 的模型相当，这结果对于评估复杂图自动编码器和变分自动编码器的实际实用价值具有重要意义。

    Oct, 2019

  • 基于一阶线性模型的简单高效图自编码器

    使用更简单的线性模型代替多层图卷积网络编码器学习节点的向量空间表示，在节点嵌入等任务上表现良好，提出对于复杂的图自编码器和变分自编码器反复使用这些基准数据集进行比较的问题。

    Jan, 2020

  • G-CREWE: 利用嵌入进行图压缩，实现网络对齐

    本文提出了一种名为G-CREWE（Graph CompREssion With Embedding）的框架，可以通过节点嵌入来解决网络对齐问题，并且采用MERGE压缩机制以提高效率和精度。实验表明，该方法比现有竞争方法快两倍以上，同时保持高准确性。

    Jul, 2020

  • 逐步网络对齐的能力：基于双感知相似性的方法

    本研究提出了Grad-Align，一种全新的网络对齐方法，通过渐进地发现具有强一致性的节点对来逐步对齐节点，实现了更加准确的节点匹配。在真实世界和合成数据集的综合实验中，我们证明了Grad-Align在网络对齐方面优于现有的最先进的方法。

    Jan, 2022

  • 通过联合结构学习和最优传输实现强韧属性图对齐

    本论文提出了SLOTAlign——一个无监督的图对齐框架，将图对齐转化为两个矩阵间的最优运输问题，结合多视图结构学习增强了图表示能力并减少了图之间继承的结构和特征不一致性的影响，在六个无监督图对齐数据集和DBP15K知识图谱对齐基准数据集上的实验表明，SLOTAlign表现出卓越的性能和最强的鲁棒性。

    Jan, 2023

  • 节点特征增强维生素化网络对齐

    提出了一种名为 Grad-Align+ 的网络对齐方法，通过中心性节点特征增强、图神经网络辅助嵌入相似度计算以及 Grad-Align 中逐步发现节点对的信息，实现了在缺少锚定连接或节点特征信息的情况下高效准确的网络对齐。

    Apr, 2023

  • 基于优化传输和嵌入方法的无监督图对齐中提供更多表达性

    无监督图对齐通过仅利用图结构和节点特征确定带属性图的一对一节点对应关系。我们提出一种名为CombAlign的模型框架，将计算节点表示并匹配近似嵌入的方法与确定最优传输的Gromov-Wasserstein学习相结合，通过特征转换、基于嵌入的启发式方法和优化权重匹配的约束，逐步优化节点对齐，实验证明在对齐准确性上较现有方法显著改进。

    Jun, 2024