通过将 GEE 算法重构为 Ligra 图引擎中的并行程序,通过在图的边上映射函数并使用无锁原子指令来防止数据竞争,在具有 18 亿边的图上,这使得原始实现速度提高了 500 倍,并且比即时编译的版本快了 17 倍。
Feb, 2024
将图编码嵌入方法扩展到包括加权图、距离矩阵和核矩阵等一般图模型,证明该方法满足大数定律和中心极限定理,能够在一定条件下实现渐近正态性,并通过一系列实验证实了这些理论发现。
May, 2024
该研究介绍了一种名为 GEEL(gap encoded edge list)的简单可扩展的图表示方法,它通过差值编码和带宽限制方案显着减小了表示大小和词汇量,不仅提高了扩展性,还简化了图生成过程。对十个非属性图和两个分子图生成任务进行的全面评估表明 GEEL 的有效性。
Dec, 2023
TorchKGE 是一个基于 PyTorch 的知识图谱嵌入 Python 模块。它的主要特点是快速的链接预测任务的评估模块,以及各种各样的嵌入模型,具有代码高效性和清晰性,按照 BSD 许可证进行分发。
Sep, 2020
通过使用压缩方法,我们可以将节点嵌入用比浮点向量更紧凑的向量表示,从而实现在工业级规模的图形数据上快速训练图神经网络,同时达到更好的性能。
Aug, 2022
本文提出了一种名为 “稀疏空间场景嵌入以图神经网络为主体的学习方法(S3E-GNN)” 的端到端框架,用于相机重定位。该方法使用编码模块和查询模块,将场景图嵌入到参考图中进行相机重定位。实验结果表明,由于基于学习的嵌入和 GNN 增强的场景匹配机制,S3E-GNN 方法优于传统的词袋(BoW)方法。
May, 2022
本文介绍了一种基于降维的新颖图形可视化方法,称为 t-SGNE。t-SGNE 专门设计用于可视化图中的聚类结构,并通过使用图的邻居结构将时间复杂度从二次降低到线性的方式,支持更大规模的图。此外,结合拉普拉斯特征图嵌入算法和图中的最短路径算法形成了图嵌入算法 SPLEE,可以在 5 分钟内对具有 300K 节点和 1M 边缘的图进行可视化,且可视化质量提升约 10%。
Oct, 2023
提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络(GCN)的 attributed graph embedding 任务,并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声,实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验,结果表明 AGE 在节点聚类和链接预测任务中表现出色。
Jul, 2020
本研究重新设计与实现了 PyKEEN,一个知识图谱嵌入模型 (KGEMs) 的软件库,提供了广泛的交互模型、训练方法、损失函数和反向关系建模,并提供了自动内存优化和超参数优化的功能。
本文提出了一种利用图神经网络和自然语言大模型生成结构和序列感知型蛋白质表示的新框架,并将其与传统的基于结构对齐的方法相比较,证明了该方法在比较蛋白质结构和蛋白质结构分类任务中的优越性能。
Jun, 2023