- 图顶点嵌入:距离、正则化和社区检测
本文研究图嵌入的质量以及其在社区检测方面的有效性,通过使用灵活的距离函数捕捉不同顶点之间的拓扑距离,将顶点嵌入作为距离矩阵的变换结果进行分析,并在多个基准数据集上进行评估。结果表明,该方法操作于降维表示,使得计算复杂度大为减少,且性能与传统 - 双分图变分自编码器用公平潜在表示解决生态网络中的抽样偏差
我们提出了一种方法来表示双分图网络,使用定制的图嵌入方法来解决研究生态网络时面临的挑战,特别是需要考虑许多协变量,尤其是为了控制采样偏差。我们将变分图自编码器方法改编为双分图的情况,这使我们能够在潜在空间中生成节点的嵌入,这两组节点的位置是 - 基于嵌入的时态图距离
使用基于时间尊重的随机游走构建的图嵌入来定义暂态图之间的距离,研究了匹配图和不匹配图的情况,并展示了该距离定义对于具有不同结构和时间特性的图的区分能力,并提出了一种适用于大规模暂态图的有效距离计算实现,并利用先进的机器学习技术进行了优化。
- 图嵌入的范数空间
本研究通过离散几何的理论结果表明,在低维度中范数空间可以抽象地嵌入具有低扭曲度理论界限的有限度量空间。本文基于该理论洞察力,突出了范数空间作为学习图嵌入的一种更灵活和计算效率更高的替代方法,它明显优于几种常见的黎曼流形模型,适用于各种综合性 - 利用软流形提升具有缺失数据的图嵌入
使用软流形进行图嵌入,为复杂数据集中的任何数据分析任务提供连续空间,实验结果表明其能够相对于现有技术更准确可靠地对图进行表征。
- 强结构编码是否能减少消息传递的重要性?
当提供强大的结构性编码时,基于张量乘积的相互作用模型表明比基于拼接的编码更加鲁棒,即使去除了消息传递层,也能在某些任务上几乎不降低性能。
- RESTORE: 通过重构进行图嵌入评估
通过图重构提出了一种用于内在图嵌入评估的框架,并分析了不同家族的图嵌入方法在保留拓扑结构和语义信息方面的效果,结果显示基于深度学习的图嵌入算法在拓扑重构方面更具优势,而基于分解的算法在概括语义信息方面较好,这些图嵌入方法的表现仍然有待进一步 - 独立分布正则化用于私密图嵌入
通过引入独立分布惩罚作为正则化项,我们提出了一种名为私有变分图自编码器(PVGAE)的新方法,特别地,我们通过使用两组编码器来学习敏感和非敏感潜在表示,同时引入了一种新的正则化方法来强制编码器的独立性,实验证明 PVGAE 在私有嵌入学习方 - Etsy 搜索中基于统一嵌入的个性化检索
本文提出了一种能够同时解决语义差异问题和根据用户历史交互提供个性化语义搜索结果的新方法,将图嵌入、transformer 模型和基于术语的嵌入统一到一个嵌入模型中,同时分享了特征工程、硬负采样策略以及 transformer 模型应用方面的 - 张量积和超维计算
在图嵌入的基础上,将一些结果推广到向量符号体系和超维计算的普遍设置中,正式建立张量积表示作为中心表示,并探讨了叠加、正交和张量积之间的数学关系。
- CatE:利用范畴论语义嵌入 $\mathcal {ALC}$ 本体
本文提出了一种基于范畴论语义学的机器学习方法,使用 CatE 投影生成本体公理图表示,并应用于多种任务,展示了其超越了其他本体嵌入方法的局限性,并在生物医学领域的机器学习任务中优于现有的模型论本体嵌入方法。
- 向量空间中的层级:定向词和图嵌入
本文介绍一种从无序平面嵌入空间中捕捉层次结构信息的数据结构算法,基于权威性分布的想法构建有向根树,用于识别单词的上位词关系和寻找共同祖先,同时在维基页面链接恢复方面表现出优异的性能。
- GTrans: 带有图嵌入的时空自回归变换器用于极端事件的实时预测
提出了一种名为 GTrans 的时空模型,该模型将数据特征转换为图嵌入,并使用变压器模型预测时间动态,并能够对极端事件进行预测,可在社交网络,道路交通,物理和化学属性预测等领域应用。
- 通过神经符号人工智能将规则和嵌入结合起来用于知识库完成
通过提出两种不同的基于规则的 KBC 方法,并结合神经符号 AI,继承了布尔逻辑到实值逻辑,本文提出的模型实现了最佳的 KBC 精度,并通过将规则 - based KBC 与图嵌入相结合来解决关系路径的不均匀性。
- Cleora: 一种简单、强大且可扩展的图嵌入方案
本文提出 Cleora 算法,使用迭代的带权平均和维度归一化的方式实现图嵌入的无监督学习,能在高效可扩展的情况下产生高质量的图嵌入,达到竞争水平的链接预测和节点分类结果,且与与对比算法相比计算成本明显更低。
- 图嵌入中隐私泄漏的量化
本文首次通过三种推理攻击来量化图嵌入中的隐私泄漏,同时提出了对应的攻击策略,包括成员推理攻击、图重构攻击和属性推理攻击,并表明图嵌入与节点属性存在强相关性,让攻击者能够推断敏感信息。
- ICML基于粗化的更快图嵌入
对于大规模图形数据,我们提出了一种优化的图粗化方法,基于 Schur 补,可在节省时间的同时保证了嵌入的准确性。
- 最优输运图神经网络
本文介绍了 OT-GNN 模型,该模型利用参数原型计算图嵌入,并通过参数原型和乘子做到了与传统的求和聚合不同的方法,通过几项分子属性预测任务的实验证明,此方法在图嵌入的平滑性和预测性能上超过了当前流行的其它方法。
- IJCAI面向社交网络的公平影响最大化对抗性图嵌入
本研究提出了对于敏感属性公平的影响最大化方法,采用对抗图嵌入的方式得到平衡分布的嵌入向量,并通过聚类方法获得良好的初始节点集合,实验证明其能显著提高公平性同时保持与最先进的影响最大化方法一致的复杂度。
- 三角丰富复杂网络低秩表示的不可能性
本文研究了复杂网络的图嵌入,发现该方法无法捕捉复杂网络的重要特征,尤其是低度和大聚集系数。通过数学证明和实证研究,本文认为这种图嵌入技术不适用于揭示真实世界复杂网络的结构特征。