L2G2G：基于图自编码器的可扩展的本地到全局网络嵌入

Feb, 2024

L2G2G：基于图自编码器的可扩展的本地到全局网络嵌入

L2G2G: a Scalable Local-to-Global Network Embedding with Graph Autoencoders

Ruikang Ouyang, Andrew Elliott, Stratis Limnios, Mihai Cucuringu, Gesine Reinert

TL;DR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。

Abstract

For analysing real-world networks, graph representation learning is a popular tool. These methods, such as a graph autoencoder (GAE), typically rely on low-dimensional representations, also called embeddings, whi

graph representation learning graph autoencoder local2global approach l2g2g scalability

发现论文，激发创造

Local2Global: 通过本地培训对图上的全局表示学习进行扩展

本文提出了去中心化的 “local2global” 图表示学习方法，首先将输入的图划分为重叠的子图（或 “补丁”，patches），并分别对每个 “补丁” 训练本地表示。然后通过组同步，利用 “补丁” 重叠处的信息来估计最佳对齐的刚性运动集，将局部表示组合成全局一致的表示。相对于现有工作，local2global 的一个关键区别是无需在分布式训练期间进行昂贵的参数同步，可以独立地训练各个 “补丁”。这使得 local2global 可以扩展到大规模工业应用程序，在这些应用中，输入图甚至可能无法适合内存，并以分布方式存储。目前中等规模数据集（高达 7K 个节点和 200K 个边缘）的初步结果是令人鼓舞的，local2global 的图重建性能与全局训练嵌入相当。对大规模数据的 local2global 进行全面评估以及在节点分类和链接预测等下游任务中的应用尚在进行中。

Jul, 2021

通过生成方法探索图表示学习中的任务合并

提出了 GA^2E，一种统一的对抗性掩码自动编码器，能够在各种图任务中无缝应用，通过对抗训练机制确保图表示的稳健性。

Mar, 2024

L2G 自编码器：使用分层自注意力的局部到全局重建理解点云

本研究提出了一种名为 Local-to-Global auto-encoder（L2G-AE）的自编码器模型，通过引入层次自注意力机制和重构局部区域大小以及局部到全局的关系，能够更好地了解点云的局部和整体结构，同时在形状分类，检索和上采样等方面比现有方法表现更卓越。

Aug, 2019

HC-GAE: 基于层次聚类的图自编码器用于图表示学习

通过使用硬节点分配将样本图分解为分离子图的系列，并利用软节点分配重新构建原始图结构，该研究提出的层次聚类 GAE（HC-GAE）能够有效提取原始样本图的双向分层结构特征，解决了经典基于卷积的 GAE 中的过度平滑问题。

May, 2024

关于使用对抗训练进行图自编码器泛化的研究

通过在图嵌入方法中使用 L2 和 L1 两种形式的对抗训练，在链接预测、节点聚类和图异常检测等三个应用程序中，提高了嵌入模型的泛化能力。

Jul, 2021

GiGaMAE: 通过协同潜在空间重建实现可泛化的图掩码自编码器

我们提出了一种名为 GiGaMAE 的新型图掩蔽自编码器框架，通过协同重构信息化和综合的潜在嵌入，从而解决了当前图数据上遇到的推理能力不强的问题。通过将图拓扑和属性信息包含在嵌入中，作为重构目标，我们的模型能够捕捉到更广义和综合的知识，并引入基于互信息的重构损失，使得能够有效重构多个目标，实验结果表明 GiGaMAE 在多个基准测试中表现优于现有基线模型。

Aug, 2023

EGG-GAE: 可扩展的图神经网络用于表格数据填充

本文提出了一种基于 EdGe（隐式图形表示）图自编码器的缺失数据插补方法，其可处理更大的数据集且能够自动推断每层最佳的联通性，同时在基准测试和基线系统中均获得了重大的改进。

Oct, 2022

MGAE：用于图像自监督学习的屏蔽自编码器

本文提出了一种新颖的 MGAE 框架，通过对图结构进行随机遮掩边来重构这些缺失的边并利用 GNN 对部分遮掩的图进行传播来训练 MGAE 以达到有效学习图结构数据的目的，并在多个开放数据集上进行了广泛实验，表明 MGAE 在链接预测和节点分类方面总体性能优于最先进的无监督学习竞争对手。

Jan, 2022

具有可转移图自编码器的网络对齐

网络对齐是在不同图形之间建立一对一对应关系的任务，我们提出了一种新颖的广义图自编码器架构，旨在提取强大且鲁棒的节点嵌入，以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。我们的框架还利用迁移学习和数据增强，在无需重新训练的情况下实现了非常大规模的网络对齐。对真实世界图形的广泛实验提供了证据，支持所提方法的有效性和可扩展性。

Oct, 2023

TransformerG2G：使用 Transformer 学习时变图嵌入的自适应时间步长

开发了一种具有不确定性量化的图嵌入模型 TransformerG2G，通过利用先进的转换编码器从当前状态 ($ t $) 和先前上下文（在时间戳 [$ t-1，t-l $] 上，$ l $ 是上下文的长度）中首先学习中间节点表示。

Jul, 2023