May, 2024

HC-GAE: 基于层次聚类的图自编码器用于图表示学习

PDF
TL;DR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。
graph auto-encodershierarchical cluster-based gaegraph data analysisstructural featuresover-smoothing problem
发现论文，激发创造
  • Hi-GMAE：层次图掩码自编码器

    Hierarchical Graph Masked AutoEncoders (Hi-GMAE) is a multi-scale framework that addresses the limitations of single-scale Graph Masked Autoencoders (GMAEs) in incorporating hierarchical structures within graphs, resulting in improved performance compared to other self-supervised competitors.

    May, 2024

  • HAT-GAE：具有分层自适应掩模和可训练破坏的自监督图自编码器

    本文研究了自监督自编码器在图数据中的表现问题，并提出一种新的自编码器模型用于图形表示学习，该模型包括分层自适应掩蔽机制和可训练的破坏机制，通过在十个基准数据集上的广泛实验，证明了所提出方法相对于现有的图表征学习模型其卓越性。

    Jan, 2023

  • 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

  • 重新思考基于图自编码器的属性图聚类模型

    为了解决图聚类中的关键问题：特性随机性和特性漂移，本文提出了一种 GAE 聚类方法，并提出采样和操作符，以提高聚类效果和鲁棒性。

    Jul, 2021

  • 变分图自编码器

    本文提出可变图自编码器 (VGAE) 框架，用于处理基于变分自编码器 (VAE) 的图结构数据无监督学习模型。该模型基于潜在变量，能够学习图的可解释的潜在表示。在引文网络的链接预测任务中，我们使用图卷积网络 (GCN) 编码器和内积解码器来展示该模型。与大多数现有的图结构数据和链接预测无监督学习模型相比，我们的模型可以自然地融入节点特征，从而在许多基准数据集上显著提高预测性能。

    Nov, 2016

  • 基于一阶线性模型的简单高效图自编码器

    使用更简单的线性模型代替多层图卷积网络编码器学习节点的向量空间表示，在节点嵌入等任务上表现良好，提出对于复杂的图自编码器和变分自编码器反复使用这些基准数据集进行比较的问题。

    Jan, 2020

  • 基于图自编码重构的快速社区检测

    本文提出了一种基于图自编码器重构的社区检测框架 (GAER)，该框架在大规模网络中不需要任何先验信息，具有高度的可扩展性，在实时图形中可以加速模型推理速度，并在几乎所有网络上实现了卓越的性能。

    Mar, 2022

  • 保持简单：无需图卷积网络的图自编码器

    本文提出一种替代图卷积网络 (GCN) 编码器的简单线性模型来学习节点的向量表示，并通过实验证明在多个现实世界的图中，如 Cora、Citeseer 和 Pubmed 引文网络上，其表现与基于 GCN 的模型相当，这结果对于评估复杂图自动编码器和变分自动编码器的实际实用价值具有重要意义。

    Oct, 2019

  • 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

  • 图自编码器的新前沿：联合社区发现与链路预测

    通过提出一种基于社区保持的消息传递方案及新的训练优化策略来同时提高图的社区检测和链接预测任务的性能；在各种真实世界的图中，我们证明了这种方法的实验有效性。

    Nov, 2022