本研究开发了一种创新方法，使神经网络能够生成和利用知识图谱，通过与人类提供的知识对齐，描述概念级知识并优化网络参数。实验结果表明，我们的方法始终捕捉到与人类知识密切对齐的网络生成的概念，并且甚至能够发现人类之前未发现的新概念。这种策略不仅增强了神经网络的可解释性，而且有助于在这些系统中集成符号逻辑推理。

Apr, 2024

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

本文提出了一种改进的广义图对齐方法，该方法结合了匹配和不匹配两种条件，在不同的图案例中，通过矩阵的谱分解达到了较好的性能表现，尤其在对齐正则图结构方面显著优于现有方法。

Feb, 2016

REGAL 是一种基于节点表示学习的多网络对齐框架，其中的 xNetMF 是一种优雅和有原则性的节点嵌入公式，可以显着提高速度和准确度，该方法在学习阶段比其他方法快 30 倍，在准确度方面比现有的网络对齐方法高 20% 至 30% ，可扩展到具有数百万个节点的网络。

Feb, 2018

本文提出了部分对齐的图卷积网络模型，旨在通过模型共享，正则化以及对齐重建等多种方法在多个图模型中学习节点表示，并在现实世界的知识图谱和协作网络中进行了广泛实验，证明了该方法在关系分类和链接预测等任务上的卓越表现。

Jun, 2021

使用深度对抗学习技术，通过找到复杂的映射来对齐两个网络的嵌入分布，然后使用我们学习到的映射函数进行高效的最近邻节点对齐，该算法能够在真实世界的数据集上展现其有效性。

Feb, 2019

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

通过动态同步潜在节点表征并利用局部嵌入所提出的 L2G2G 方法，提高了 GAE 的准确性并保持可扩展性，表现优于标准的 Local2Global 方法，并在大型数据集上实现高效可扩展性。

Feb, 2024

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

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