关键词graph representation learning
搜索结果 - 175
- 差分编码改进图表示学习
我们提出了一种差分编码方法来解决信息丢失的问题,并通过与原始聚合的局部或全局表示相结合,生成更新的节点嵌入。通过集成差分编码,改进了生成的节点嵌入的表征能力,并在七个基准数据集上对差分编码方法进行了实证评估,结果表明这是一种改进了信息传递和 - 具有频谱增强的异构图对比学习
本文介绍了一种光谱增强图对比学习模型(SHCL),首次在异构图神经网络中引入了一种光谱增强算法,通过异构图本身学习了一种自适应拓扑增强方案,扰乱了异构图的光谱维度的结构信息,从而最终提高了模型的学习效果。实验结果表明,该模型在多个真实数据集 - KDD边属性二分图中的有效边表示学习
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 Propaga - OLGA:一种单类图自编码器
OLGA 是一种端到端的图节点表示学习方法,通过结合两个损失函数来封装感兴趣的实例,其中包括一个新的超球面损失函数,以改善模型学习。OLGA 通过学习低维表示来保持分类性能,并提供了可解释的模型表示学习和结果。
- GEFL:图分类的扩展过滤学习
使用扩展持久性技术将全局拓扑信息融入图分类的监督学习框架中,通过可导的读出函数计算扩展持久性获取全局拓扑信息;使用链剪树数据结构和并行计算降低计算复杂度,使扩展持久性在机器学习中具备可行性。研究结果表明,在特定条件下,扩展持久性在表达能力上 - ICML图外部注意力增强变换器
Transformer 的图表示学习中,通过引入 Graph External Attention 提出了一种新的关注机制来隐式捕捉图之间的相关性,进而用于设计了更全面的图表示框架 GEAET。通过在基准数据集上进行的实验证明,GEAET - 基于学习的连续时间动态图中的链接异常检测
连续时间动态图中的异常检测是一个新兴领域,本文通过结构化分析以及图表示学习,对这些图中的异常连接进行识别。通过引入精细分类法并将类型化的异常注入图中,我们的方法可以在时间、结构和上下文三个方面产生具有一致模式的连续时间动态图,从而使得时间图 - 将哈密顿结构偏好注入深度图网络以实现长程传播
动态信息扩散在图内是一个影响图表示学习的重要课题,特别是在考虑长程传播时。为此,我们引入了(端口)哈密顿深度图网络,这是一个基于哈密顿动力系统守恒定律的新框架,通过在图中建模神经信息流来控制和调节信息的传播和衰减程度。我们将非耗散的长程传播 - 图元修正随机游走错过的拓扑信息
通过引入轨道连接来捕捉所有拓扑邻域信息,我们提出了一个新的网络嵌入方法,与基于随机游走的方法相比,能够更好地预测节点标签,证明了包括随机游走无法捕捉到的拓扑邻域信息的重要性。
- 利用集体结构知识进行图神经网络的数据增强
本篇研究提出了一种新颖的方法,即综合结构知识增强图神经网络 (CoS-GNN),通过引入新的消息传递方法,使得图神经网络能够利用丰富的节点和图级结构特征以及原始节点特征,在增强的图结构中大大改善了图神经网络的结构知识建模,从而实现了显著改进 - 关联性提升:通过图间关系推进图神经网络
通过引入 Relating-Up 模块,利用图之间的关系,增强了 Graph Neural Networks 的表达能力,使其能够更准确地包含更广泛的图关系,并且在 16 个基准数据集上的评估表明,将 Relating-Up 集成到 GNN - IJCAI不规则采样时间序列的时间图 ODE
通过引入时间图常微分方程(TG-ODE)框架,从不规则图流中学习时间和空间动态,验证实验表明 TG-ODE 在不规则图流任务中能够取得最先进的性能。
- 释放分数阶微积分在图神经网络中的潜力与 FROND
我们介绍了 FROND(FRactional-Order graph Neural Dynamical network),这是一个新的连续图神经网络(GNN)框架,通过使用 Caputo 分数阶导数来利用分数阶微积分的非局部特性,使得该方法 - 通过信息瓶颈进行链接预测的数据增强
通过数据增强方法 COmplete and REduce (CORE),修复图中的缺失边同时去除噪音,提高模型的鲁棒性和性能,成为图表示学习中强大的鲁棒链路预测方法。
- 提升图表示学习的邻居级信息交互编码
通过在信息汇总和更新阶段增加邻居级别的信息交互编码,提升了图表示学习的性能,并在四个高需求任务中取得了最新的技术成果。
- RandAlign: 一种无参数的正则化图卷积网络方法
基于随机插值的 RandAlign 是一种无需额外参数的方法,用于解决消息传递图卷积网络中的过度平滑问题,并提高图表示学习的泛化性能。
- MPXGAT:一种基于注意力机制的深度学习模型,用于多重网络嵌入
MPXGAT 是一种基于注意力机制的深度学习模型,专门用于多重图嵌入,通过利用图注意力网络(GATs)的鲁棒性,它捕捉多重网络的结构,从而促进了网络多个层内和层间的准确链路预测。我们在各种基准数据集上进行的全面实验评估证实,MPXGAT 始 - 基于变分图自编码器的归纳学习方法用于半监督分类
提出了自标签增强的 VGAE 模型,包括自标签增强方法(SLAM),用于图的归纳学习,通过在模型训练中进行标签重建以利用标签信息,并采用节点遮盖方法生成伪标签来增强标签信息。实验证明在半监督学习设置下,我们的模型在节点分类上表现出明显的优势 - 使用注意力驱动的脉冲神经网络增强图表示学习
本文提出了一个将注意机制与脉冲神经网络 (SNN) 相结合的新方法,以改进图表示学习的能力。该方法能够在学习过程中选择性地关注图中重要的节点和相应的特征,并在多个基准数据集上进行评估,结果显示其性能与现有的图学习技术相当。
- 研究去中心化金融(DeFi)服务之间的相似性
我们使用图表示学习算法探索去中心化金融(DeFi)协议提供的服务之间的相似性。我们提出了一种方法,将这些协议特定的智能合约分为簇,并使用聚类模型进行聚类。我们发现该方法有助于对 DeFi 协议提供的现有金融产品进行分类,并能够有效自动化检测