一种用于图划分中无监督图神经网络的新的可微损失函数
通过一种新框架，NeuroCut，结合了神经网络和强化学习，并具有对不可微分函数的优化能力，从而在图分区问题中表现出色，并在多种分区目标中展现出较强的泛化能力和拓扑鲁棒性。
Oct, 2023
本研究提出了基于深度学习的 GAP 框架来解决节点分割问题。通过定义不同 iable 损失函数以及利用反向传播来优化网络参数，实现基于图结构的节点分割。相较于传统的分割方法，GAP 不仅更快，并且具有良好的扩展性能力，可适用于不同的图结构，并可推广到未知的图形结构上。研究表明，GAP 能够取得与传统分割方式相媲美的结果。
Mar, 2019
本文提出了针对无向模型的黑盒学习和推理算法，通过使用变分逼近模型 log-likelihood 的上界优化算法，其中重要的是由灵活神经网络表达的 log-partition 参数化函数上界。我们的算法可加速采样，训练广泛类别的混合有向 / 无向模型，并在多个流行生成建模数据集上验证了其有效性。
Nov, 2017
该论文提出一种基于分区器的生成对抗网络的无监督学习方法，通过将高维空间分解为一组简单的子空间，训练每个子空间对应的生成器，以避免模式崩溃和样本集断裂等训练问题，理论和实验表明，该方法在各种标准基准测试中表现优于其他近期的方法。
Apr, 2021
提出了一种新的两步方法来推断随机分区模型的参数，允许可变推断任务的使用，并具有可重参数化梯度，能够在对参数进行端到端基于梯度的优化时克服先前方法的限制，本方法在三个具有挑战性的实验中显示出了它的通用性。
May, 2023
我们引入了一个高性能、灵活且通用的自动损失函数搜索框架来解决节点分类中的不平衡问题。在 15 种图神经网络和数据集组合中，我们的框架相比最先进方法在性能上有显著改进；此外，我们观察到图结构数据中的同质性对所提框架的可迁移性有着显著贡献。
May, 2024
提出了一种新的超图聚类技术，称为不均匀超图划分，其将不同的代价分配给不同的超图切割，证明了如果不均匀代价满足次模性约束，则不均匀划分产生了最优解的二次近似，并证明了在许多应用中可以获得显着的性能改进。
Sep, 2017