AAAIJan, 2024

基于模式感知的黎曼图神经网络及生成对比学习

PDF
TL;DR提出了所谓的 MotifRGC 模型，该模型使用了 Motif-aware Riemannian generative-contrastive learning 方法，以捕捉构建出的曲率多重流形中的 Motif 规律，无需外部标签即可学习节点表示，并取得了良好的实证结果。
riemannian graph representation learningmotif-aware riemannian graph representation learningcurvature manifoldmotifrgcmotif regularity
发现论文，激发创造
  • 曲率图生成对抗网络

    本文提出了一种在黎曼几何流形上使用的新型曲率图生成对抗网络方法 Curvature Graph Generative Adversarial Networks，通过利用连续的黎曼几何流形逼近离散数据结构以及从被包裹的正态分布中高效生成负样本，更好地保留了拓扑特性，并借助于具有不同拓扑特性的局部结构的叶齐曲率来应对拓扑异质性问题，实验证明该方法相对于现有最先进的方法在多项任务上表现出了显著的优越性和稳健性。

    Mar, 2022

  • 基于模式的图形表示对比学习

    通过学习图模式 (Motif)，对大型图数据库进行 GNN 预处理，进而利用学习到的模式采样更多信息化的子图，通过对子图的对比学习预训练 GNN，使其性能在多个基准数据集中平均提高了 2.04% 的 ROC-AUC。

    Dec, 2020

  • 自监督的混合曲率图神经网络

    本文提出了一种新颖的自监督混合曲率图神经网络 (SelfMGNN)，通过多个 Riemannian 组件空间的笛卡尔积构建了混合曲率空间，并设计了分层注意机制来学习和融合这些组件空间中的表示，以解决图表示学习中现有方法对图结构的复杂性和标签数据的依赖问题，并且通过对比实验证明了 SelfMGNN 的性能优于现有的基准模型。

    Dec, 2021

  • 双曲线图神经网络

    该研究的主要目的是学习图结构数据，提出了一种基于黎曼流形的新型图神经网络架构，并开发了一种可扩展的算法来模拟图的结构特性，并比较欧几里得和双曲几何。在实验中，我们证明了双曲 GNNs 在各种基准数据集上可以带来实质性的改进。

    Oct, 2019

  • 神经网络的黎曼测度 II：循环网络和学习符号数据序列

    该研究使用黎曼度量上的梯度上升法作为 RNN 的训练程序，实现了对文本的结构的有效捕捉。

    Jun, 2013

  • 自主学习的自适应黎曼空间中连续图学习

    本文提出了一种自我监督的自适应黎曼空间图连续学习算法 (RieGrace)，通过设计一个自适应黎曼 GCN (AdaRGCN) 和一个无需标签的洛伦兹蒸馏方法，实现了在可适应曲率变化的黎曼空间中连续地学习来自连续出现的图。实验结果表明这种方法优于现有的基于欧几里得空间和带标签方法，同时也研究了曲率如何随着图序列而变化。

    Nov, 2022

  • 黎曼流形上的测地线卷积神经网络

    本文提出了一种称为 “测地线卷积神经网络”（GCNN）的新型神经网络，可用于处理形状相关的任务，例如形状描述，检索以及匹配。GCNN 使用局部极坐标系中的局部测地线系统提取 “补丁”，通过一系列过滤器和线性非线性算子，来学习不变的形状特征，从而获得最先进的性能。

    Jan, 2015

  • 基于模式的图卷积神经网络

    该论文介绍了一种新的卷积神经网络架构，名为 Motif-CNN，能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。

    Nov, 2017

  • 使用深度神经网络学习不变的黎曼几何表征

    本文提出了一种面向流形训练深度神经网络的通用框架，利用切空间和指数映射，将最终输出元素在 Riemann 流形上的深度神经网络的训练问题转化为当前深度学习研究的问题，在多类图像分类和人脸图像回归上显示出改进后的性能。

    Aug, 2017

  • MotifNet：基于 motif 的有向图卷积网络

    本文提出了 MotifNet 的概念，是一种基于本地图形的卷积神经网络 (Graph CNN)，旨在解决传统基于图拉普拉斯特征向量 (Spectral CNNs) 所遇到的无向图假设的限制，并且在真实数据上取得了较好的效果。

    Feb, 2018