Dec, 2023

高维多重网络嵌入的层次聚合

PDF
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。
multiplex graph embeddinghigh-dimensional multiplex graphshierarchical aggregationlatent structureslink prediction
发现论文，激发创造
  • 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

  • 多路异构图卷积网络

    本研究提出了一种多重异构图卷积网络（Multiplex Heterogeneous Graph Convolutional Network，MHGCN），可以通过多层卷积聚合自动学习多重异构网络中不同长度的有用异构元路径交互，并有效地将多关系结构信号和属性语义集成到有监督和半监督学习范式中的学习节点嵌入中，实验证明其在各种网络分析任务中显著优于现有的嵌入基线。

    Aug, 2022

  • 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

  • 在相似性图上学习基于语境的单词含义表示

    本文提出了一种新的方法来学习基于视觉的单词含义表示，即在底层模态特定的词语表示上建立相互通信的图形，通过模拟人类相似性判断和概念分类来验证其能力，名为分层多模态相似性图嵌入（HM-SGE）。

    Sep, 2021

  • HDMI：高阶深度多路混合信息最大化

    本研究提出了一种名为 High-order Deep Multiplex Infomax (HDMI) 的框架，用于在多重网络上进行自监督节点嵌入学习，通过利用高阶信息熵来获取外在与内在监督信号，结合注意力机制融合不同层的节点嵌入，取得了在无监督聚类和监督分类等领域的最新成果。

    Feb, 2021

  • 多层网络嵌入的原则

    通过将三种方法（网络聚合，结果聚合和层共分析）应用于多层网络，我们将其投影到连续的向量空间中，并通过评估验证了其中一种方法（层共分析）在大多数数据集上的表现优于常规链接预测方法。

    Sep, 2017

  • 脑网络聚类分析的多视角多图嵌入

    使用张量技术将多视图和多图脑网络的依赖关系和相关性同时结合，可以通过利用多视图和多图交互来对脑网络进行聚类，提高疾病机理的理解和治疗方法的指导。

    Jun, 2018

  • 低维双曲知识图谱嵌入

    本文介绍了一种超几何知识图嵌入方法，可以同时捕捉层次结构和逻辑模式，并在现有方法的基础上提高了平均倒数排名（MRR）达 6.1%。

    May, 2020

  • 高维数据降维的层次最近邻图嵌入方法

    提出了一种基于层次结构的 1 - 最近邻图的新方法，可以在保留数据分布多个级别的分组属性的同时，实现具有可解释机制、可视化品质高、运行速度快且可用于多种场景的非监督降维技术，并在不同规模、不同维度的多个数据集上进行了性能比较。

    Mar, 2022

  • 超几何分层知识图谱嵌入的低维链接预测

    本文提出了一种新颖的基于注意力的可学习曲率超几何分层知识图嵌入模型（HypHKGE），以在超几何空间中有效地建模知识图中的语义层次结构，并在低维度下表现出色，特别是在链接预测方面。

    Apr, 2022