高维多重网络嵌入的层次聚合

Dec, 2023

Hierarchical Aggregations for High-Dimensional Multiplex Graph Embedding

Kamel Abdous, Nairouz Mrabah, Mohamed Bouguessa

TL;DR我们提出了HMGE，一种基于分层聚合的高维多重图嵌入方法，通过学习图维度的分层组合和在每个层次进行嵌入的方式，揭示了多重图维度中隐藏的复杂信息和潜在结构，并通过局部补丁和全局摘要之间的互信息最大化来训练模型以捕捉图中处于不同位置但具有全局相关信息的能力。通过在合成和现实世界数据上进行的详细实验，我们证明了我们的方法在链接预测和节点分类等下游有监督任务中的适用性。

Abstract

We investigate the problem of multiplex graph embedding, that is, graphs in which nodes interact through multiple types of relations (dimensions). In recent years, several methods have been developed to address this problem. However, the need for more effective and specialized approach

发现论文，激发创造

半监督图分类：分层图视角

本研究提出了一个基于半监督学习的图学习方法，将节点分类问题扩展到了节点本身为图实例的层次图中，并设计了两种新的分类器，同时基于有监督的自我关注图嵌入方法将任意大小的图嵌入到固定长度的向量中，实验表明SEAL-C/AI方法不仅在准确率和Macro-F1方面优于竞争方法，而且生成的学习表示具有有意义的解释。

Apr, 2019

单个嵌入是否足够？学习能够捕获多种社交上下文的节点表示

该研究提出了一种学习多个图节点表示的方法，该方法基于一个本地社区的原则性分解来编码节点的角色，并展示了在多种图形上联合预测任务中的最新成果，从而减少了90%的错误率，同时还显示出这些嵌入允许了对学习社区结构的有效视觉分析。

May, 2019

GraphZoom: 一种多层谱方法，用于精确和可伸缩的图嵌入

本文介绍了一种名为GraphZoom的多层框架，旨在提高无监督图嵌入算法的准确性和可扩展性。该方法利用节点属性和图拓扑信息进行图合并，并通过多次缩小并简化合并的图，将现有嵌入方法应用于合并后的图，从而在多种图数据集上达到更高的分类准确性和更快的处理速度。

Oct, 2019

无监督带属性多重网络嵌入

本文提出了一种面向具有属性的多重网络的简单而有效的无监督网络嵌入方法DMGI，利用深度图最大化(DGI)的思想来最大化图的局部信息和全局表示，与关系类型的特定节点嵌入之间的差异，处理多种关系类型的节点之间的差异性，并使用注意机制来过滤不必要的关系类型，经实验证明DMGI的性能优于现有的最先进方法。

Nov, 2019

异构图嵌入综述：方法、技术、应用和来源

本文综述了近年来异构图嵌入方法和技术的发展，并系统地归类了各种学习方法来解决异构性带来的挑战，探索了不同类型的应用中使用嵌入方法的可行性，总结了开源代码、现有的图学习平台和基准数据集，预测了未来的研究方向。

Nov, 2020

双超图卷积神经网络应用于多路二分网络嵌入

本文提出了一种无监督的Dual HyperGraph Convolutional Network (DualHGCN)模型，通过将多重二分网络转化为两组同质超图，并使用谱超图卷积算子以及内部和跨域间的信息传递策略来学习有效的节点嵌入，对四个真实数据集进行基准测试，展示了 DualHGCN 显著优于现有最先进方法，并且对不同的稀疏水平和不平衡节点分布具有鲁棒性。

Feb, 2021

基于互信息和自监督双层聚合的节点嵌入

本文通过使用互信息（mutual information）引入局部区域和全局区域的概念，并利用双层聚合对复杂的节点特征进行建模，实现了对于无序图中节点表示的高效学习和训练。同时，借助于自监督学习，将有限的标签数据结合互信息理论进行更加细致的标签预测，证明了本文提出的模型在各种图结构中都有着优越的表现。

Apr, 2021

分层注意成员图嵌入

本研究提出了一种基于邻域组织的层次化关注成员模型，用于图嵌入，通过引入结构约束，由上至下地捕获了一种良好定义的层次结构，实现了节点分类和链接预测任务的指标优于当前先进技术图嵌入解决方案，表明隐含群组和成员资格的概念在图嵌入学习中具有快速发展的潜力。

Oct, 2021

多重网络中的表示学习：信息融合的位置和方法

在本文中，我们探索在无监督或半监督方式下，针对多通道网络中的节点学习表征的问题，并通过在图处理过程的不同层次上进行多样化的信息融合方案的详细分析和实验评估，提出了在处理多通道网络时如何构建GNN架构的改进方法。

Feb, 2024

差分编码改进图表示学习

我们提出了一种差分编码方法来解决信息丢失的问题，并通过与原始聚合的局部或全局表示相结合，生成更新的节点嵌入。通过集成差分编码，改进了生成的节点嵌入的表征能力，并在七个基准数据集上对差分编码方法进行了实证评估，结果表明这是一种改进了信息传递和全局注意力更新的通用方法，提高了这些数据集上图表示学习的最新性能。

Jul, 2024