- 语义演化增强的图自编码器用于谣言检测
我们在本文中提出了一种新型的语义演变增强的传言检测(GARD)模型,该模型通过捕捉局部语义变化和全局语义演进信息来学习事件的语义演变信息,并通过特定的图自编码器和重构策略实现。通过结合语义演变信息和传播结构信息,该模型对事件传播进行全面理解 - 空时记忆增强的图自编码器用于动态图的异常检测
通过引入一种新颖的空间 - 时间记忆增强图自编码器 (STRIPE),该论文解决了动态图中异常检测面临的挑战,通过有效利用动态图的空间和时间动态特性,成功实现了异常识别,并在 AUC 值上取得了 15.39% 的平均改进。
- L2G2G:基于图自编码器的可扩展的本地到全局网络嵌入
通过动态同步潜在节点表征并利用局部嵌入所提出的 L2G2G 方法,提高了 GAE 的准确性并保持可扩展性,表现优于标准的 Local2Global 方法,并在大型数据集上实现高效可扩展性。
- GAMC: 使用图自编码器与掩码的无监督假新闻检测方法
利用图自动编码器与掩码和对比学习的 GAMC,一种无监督的假新闻检测技术,通过利用新闻传播的上下文和内容作为自监督信号,消除了对标记数据集的要求,并通过实验验证了方法的有效性。
- 分子掩码图模型中分词器和解码器的重新思考
基于蒙版图建模的自监督表示学习在分子图领域具有出色的表现。本文从分子图的分词器、分图掩盖和图自编码器三个关键组件入手,总结了常见的分子分词器,通过对其作为重构目标的角色进行研究评估。然后,探索了引入表达力强的解码器对于自编码器表示学习的潜力 - 具有可转移图自编码器的网络对齐
网络对齐是在不同图形之间建立一对一对应关系的任务,我们提出了一种新颖的广义图自编码器架构,旨在提取强大且鲁棒的节点嵌入,以实现更准确的对齐,并证明生成的嵌入与图的特征值和特征向量相关联,可以与传统谱方法相比实现更准确的对齐。我们的框架还利用 - 基于拓扑模式增强的组级图异常检测:一种增强无监督方法
提出了一种用于群体级图异常检测的新的无监督框架,该框架利用图自动编码器和拓扑模式进行候选群体识别和嵌入生成,从而实现对异常群体的鉴定和定位。
- 深度分离:重构网络流行病演化
本文提出了一种基于深度解混模型的图自编码器 (DDmix),可以从部分或聚合的时间信息重新构造网络中传染病的发展,具有较高的准确性和广泛适用性,在重建传播路径的同时,识别超级传播者。
- 无合成假设学习表示
本文使用图表征学习的方法来解决不同测量源所生成的多视图表格数据的无监督建模问题,并提出了一个基于数据驱动的方法,将特征集表示为图节点,通过可学习的边来表示它们之间的关系,并引入了一种新的分层图自编码器 LEGATO,学习一个小的潜在图来动态 - 利用情感和常识进行零样本立场检测
文章提出一种包含情感、常识知识,并使用图自编码器模块获得常识知识的态度检测模型,通过在零样本设置下比较,研究结果显示该模型在 VAST 基准数据集上的表现优于现有最先进的方法。
- 具有分布一致性保存的带属性网络的深度嵌入聚类
本文提出了一种用于属性网络的端到端深度嵌入聚类模型,利用图自编码器和节点属性自编码器分别学习节点表示和聚类分配,并引入分布一致性约束来保持两个视图的聚类分布的潜在一致性。
- MaskGAE:掩码图建模 meets 图自编码器
本文提出了自监督学习框架 MaskGAE,以 Masked Graph Modeling 为前置任务,证明其可以大大提高自监督学习方案。经过广泛的基准测试,证明了 MaskGAE 在连接预测和节点分类任务上的优越性。
- 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。
- 使用图自编码器进行归纳矩阵补全
提出了一种针对缺失数据的归纳矩阵补全方法,通过图自编码器学习用户(或物品)的具体表示和局部图模式来实现个性化推荐。实验表明该模型在多个矩阵补全基准测试中均达到了最先进的性能水平。
- MM基于启发式引力图自编码器的冷启动相似艺术家排名
本文提出一种基于图自编码器的冷启动相似音乐家排序解决方案,并将其应用于全球音乐流媒体服务的实际问题中。该方案解决了对于没有提供使用数据的新音乐家,如何实现在艺术家页面上推荐类似音乐家的问题,并展示了该方案的灵活性和效果。