本文提出了部分对齐的图卷积网络模型,旨在通过模型共享,正则化以及对齐重建等多种方法在多个图模型中学习节点表示,并在现实世界的知识图谱和协作网络中进行了广泛实验,证明了该方法在关系分类和链接预测等任务上的卓越表现。
Jun, 2021
本研究旨在利用随机边图神经网络 (REGNN) 在无线网络中实现最优资源分配,通过卷积神经网络构建 REGNN,利用无监督模型进行权重训练,并测试其性能和转移能力。
Sep, 2019
REGAL 是一种基于节点表示学习的多网络对齐框架,其中的 xNetMF 是一种优雅和有原则性的节点嵌入公式,可以显着提高速度和准确度,该方法在学习阶段比其他方法快 30 倍,在准确度方面比现有的网络对齐方法高 20% 至 30% ,可扩展到具有数百万个节点的网络。
Feb, 2018
本研究提出了一种 Alternating Graph-regularized Neural Network (AGNN) 模型,其中包括 Graph Convolutional Layer (GCL) 和 Graph Embedding Layer (GEL)。GEL 通过包含拉普拉斯嵌入项的图正则化优化导出,可以通过从低阶特征空间定期投影到高阶空间来缓解过度平滑问题。通过改进的 Adaboost 策略聚合来自每一层的输出,并探索多跳邻居的集成嵌入,评估表明,在比较某些多层或多阶图神经网络的性能基础上,AGNN 比现有的最先进模型表现更好。
Apr, 2023
本文提出了一个名为 GradAlign 的优化方法,该方法可通过数据异构性的隐式正则化来改善分布式学习中客户端梯度不对齐的问题,从而提升测试精度,并在不同的分布式和联邦学习设置中进行了实验验证。
通过研究在存在顶点特征信息时,图神经网络在图对齐问题中的表现,我们证明在特征向量的稀疏性和噪声水平满足一定条件的情况下,经过精心设计的一层图神经网络能够高概率地恢复出两个图的顶点之间正确的对应关系,并且我们还证明了对于噪声水平的条件是近似最优的。最后,我们将图神经网络与直接解决带有噪声顶点特征的分配问题进行了性能比较,结果表明,当噪声水平至少是一个常数时,直接匹配无法完美恢复,而图神经网络可以容忍噪声水平增长至图的大小的某个幂次。
Feb, 2024
本文旨在提出一种新的基于正交矩阵和置换矩阵联合估计的点集对齐算法,并应用在自然语言处理和计算机视觉领域的单语数据的无监督单词翻译问题中,实现了比竞争对手更先进效果却需要更少的计算资源
May, 2018
本研究提出了一种用于学习图结构的新型正则化方法,该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息,同时结合稀疏降维使用低维节点特征,实现了对受噪声干扰的图结构的精确处理,并在真实世界数据集上进行了广泛实验。
Jul, 2023
该论文挑战了生成对抗网络(GAN)如何对独立的英语单词嵌入进行完美对齐,并探究了不同嵌入算法之间为什么会出现对齐失败的情况。作者认为这对于理解现代单词嵌入算法及 GAN 的局限性和不稳定性动态至关重要,并且该发现可能是与嵌入算法的归纳偏差有关,导致了一个局部最优解的优化领域,使得收敛区域很小。
Sep, 2018
使用深度对抗学习技术,通过找到复杂的映射来对齐两个网络的嵌入分布,然后使用我们学习到的映射函数进行高效的最近邻节点对齐,该算法能够在真实世界的数据集上展现其有效性。
Feb, 2019