KDDJun, 2024

边属性二分图中的有效边表示学习

PDF
TL;DR本文设计了一种名为 EAGLE 方法的有效边缘表示学习方法，针对边缘属性二部图 (Edge-Attributed Bipartite Graphs) 中的边缘分析任务，通过因式特征传播 (Factorized Feature Propagation) 方案加以改进，充分考虑到来自 U 和 V 两个异构节点集的影响，实现了边缘表示的准确性和计算效率的提升。通过对 5 个真实数据集的广泛实验，验证了所提出的 EAGLE 模型在半监督边缘分类任务中的有效性，与最佳基准模型相比，EAGLE 模型可以在平均准确率 (AP) 方面提高最多 38.11%，在曲线下面积 (AUC) 方面提高 1.86%。
graph representation learningedge-based analytics tasksedge representationsbipartite graphseagle method
发现论文，激发创造
  • 图形的深度特征学习

    本文提出了一种称为 DeepGL 的通用图表示学习框架，用于从大型（带属性）图中学习深层节点和边表示，并呈现了其对于跨网络迁移学习任务和属性图表示学习的有效性，空间效率良好，速度快，并且在许多学习任务上具有平均 20％或更多的提高。

    Apr, 2017

  • 结构保持图表示学习

    提出了一种新型的结构保持的图表示学习方法（SPGRL），通过构建特征图对原始图进行对比，在保留全局拓扑结构信息的同时最大化整幅图和特征嵌入的互信息，该方法在简单噪声扰动下表现优异，且针对半监督节点分类任务具有很高的性能。

    Sep, 2022

  • 基于关系的自监督图学习

    本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。

    Aug, 2022

  • 上下文敏感图表示学习：闲话与关注

    本文提出了一种基于 gossip 通信和 mutual attention 机制的 GOAT 算法，无需任何附加文本特征，仅仅通过图的结构就能提取高质量的上下文敏感节点表示。我们使用 6 个真实数据集对 GOAT 进行了比较，并与 12 个流行和最先进的基线进行了比较，发现 GOAT 在链接预测和节点聚类方面的表现均优于其他方法，相对最佳性能方法的提高率达到 12% 和 19%。

    Mar, 2020

  • 超越同质性的多视图图形表示学习

    该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

    Apr, 2023

  • 图生成的简单且可扩展的表示

    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

  • 高效的基于子图的图表示学习算法与系统协同设计

    SUREL 是一种可伸缩的 subgraph-based graph representation learning（SGRL）框架，通过步行分解子图来构建和重用子图，从而实现减少子图提取的冗余和支持并行计算，相较于 SGRL 基线，SUREL 达到 10 倍的加速，而预测性能相当甚至更好；而与规范的 GNN 相比，SUREL 实现了 50％的预测准确度提高。

    Feb, 2022

  • 超图边表示学习

    该研究提出了一种基于双超图转换的边表示学习框架，将图中的边转换为超图的节点，并应用基于消息传递的技术进行边的表示学习和综合，并将其应用于图表示和分类中。结果表明该方法优于现有的图表示和汇聚方法。

    Jun, 2021

  • 超越平滑化：具有边异质性区分的非监督图表示学习

    提出了一种新的无监督概率图表征学习方法 GREET，通过边鉴别器 (tedge discrimination) 学习鉴别同态和异态的边，采用对偶编码 (dual-channel encodings) 对同态和异态边进行对比，进一步强化边鉴别和表征学习之间的相互协作，提高了在异态图上的泛化能力和鲁棒性。

    Nov, 2022

  • 基于知识图谱的混合表示学习

    本文提出一种新颖的认知图层（EGLayer），以实现深度模型和结构化知识图间信息更有效交换，进而实现更有效的表示学习，从而将人类混合学习应用于计算机视觉任务。

    May, 2023