MS-IMAP -- 一个用于可解释流形学习的多尺度图嵌入方法
论文提出了一种基于图神经网络的异构超图表示学习框架,利用小波基于局部超图卷积来表征多种非成对关系,并通过广泛的实验表明该方法优于其他方法,在垃圾邮件检测等任务中也有显著的优势。
Oct, 2020
提出一种新的图级表示学习方法 —— 将整个图形嵌入到一个向量空间中,其中两个图形的嵌入保持其图形 - 图形的关联性。UGRAPHEMB 是一种通用框架,提供了一种全面的无监督和归纳式图级嵌入方法。 通过多尺度节点关注(MSNA)提出一种新的图级嵌入生成机制。在五个真实图形数据集上进行的实验表明,UGRAPHEMB 在图分类、相似性排名和图形可视化任务中具有竞争力的准确性。
Apr, 2019
本文提出了一种适用于更广泛类型的图信号的字典学习算法,该算法通过将学习到的字典原子强制设置为图小波函数的稀疏组合,以及添加直接的图约束来提高特征和多样性领域的平滑度,从而实现了对感兴趣的数据进行调整,同时遵循底层图结构和具有所需的多尺度属性。在合成和真实的不同类型数据集上的实验结果表明,该算法即使在高维数据中也能有效地处理图信号。
Jun, 2018
本文介绍了一种名为 GraphZoom 的多层框架,旨在提高无监督图嵌入算法的准确性和可扩展性。该方法利用节点属性和图拓扑信息进行图合并,并通过多次缩小并简化合并的图,将现有嵌入方法应用于合并后的图,从而在多种图数据集上达到更高的分类准确性和更快的处理速度。
Oct, 2019
通过提出基于无监督策略的迭代流形嵌入(IME)层,实现了对于大规模图像数据库中的图像快速、稳定的流行嵌入表示,并在图像检索任务上达到了先进技术水平。
Jul, 2017
本文提出了一种分析多层图并通过在 Grassmann 流形上使用子空间分析工具来结合个体图层特征的方法。 这种方法可以视为原始数据的低维表示,其中保留了实体之间不同关系的最重要信息,并可用于聚类。 在多个数据集上的实验结果表明,该算法具有优异的性能和竞争力。
Mar, 2013
本文介绍了一种基于 Skip-gram 相似方法的网络嵌入算法,该算法能够从节点周围的本地分布中捕捉节点的信息。我们证明了其嵌入矩阵隐式地对节点 - 特征的点间互信息进行了因子分解。实验结果表明,我们的算法在社交网络和 Web 图上具有鲁棒性,计算效率高,且性能优于可比较的模型。
Sep, 2019
多视图稀疏拉普拉斯特征映射是一个基于图的方法,通过多次观察数据以构建更强健和信息丰富的高维数据表示,通过稀疏特征分解和优化算法来降低数据维度并获得一个特征集。作者在 UCI-HAR 数据集上进行实验证明即使将特征空间减少 90%,支持向量机(SVM)的错误率仅为 2.72%,且在整体特征空间减少 80% 的情况下 SVM 精度为 96.69%。
Jul, 2023