- HGCLIP:基于图表示的层次理解视觉 - 语言模型的探索
我们提出了一种将 CLIP 与图表示学习相结合以更深入地利用分层类结构的新框架(HGCLIP),通过将类层次结构构建成一个图,其中其节点代表每个类别的文本或图像特征,通过图编码器,文本特征结合了分层结构信息,而图像特征通过注意机制强调了从原 - 跨视图图形一致性学习的不变图表示
本文提出了一种跨视图图一致性学习(CGCL)方法,通过双向图结构增强方案从不完整的图结构派生出两个互补的增强视图,并利用 CGCL 模型学习不变的图表示,以实现链路预测,并通过理论分析和实验证明所提出的 CGCL 方法在图数据集上取得了竞争 - 图神经网络的隐私保护设计及其在纵向联邦学习中的应用
本文介绍了一种基于 VFL 框架的端到端 GRL 方法,称为 VESPER,它建立在一种通用的隐私保护方案(PMP)上,允许对许多常见的图神经网络架构进行隐私保护。通过对具体图神经网络架构的设计选择进行讨论,我们提出了针对稠密图和稀疏图的解 - 医学中的图形人工智能
临床人工智能中的图表示学习,特别是通过图神经网络 (GNN),以其捕捉结构化临床数据中复杂关系的能力而脱颖而出。图人工智能通过将模态作为通过它们的关系相互连接的节点整体地处理数据,从而促进了模型在临床任务之间的转移,使模型能够在没有额外参数 - 自监督与核图神经模型相遇:从架构到增强
我们改进了核图神经网络 (KGNNs) 的设计与学习,通过扩展其算法形式并引入自我监督方法,提出了一种更灵活且结构保持的图数据增强方法 (latent graph augmentation),实验证明我们的模型在图分类任务上达到了与先进方法 - 基于边缘感知的图自编码器用于规模不平衡数据的旅行商问题
该论文提出了一种数据驱动的图表示学习方法,用于解决具有不同数量城市的旅行推销员问题,并通过实验证明该方法在解决旅行推销员问题方面具有与最先进的基于学习的方法相媲美的性能。
- 社交网络中基于观点动力学的神经消息传递的统一视角
我们提出了一种基于有界置信度的信息传递框架 ODNet,将社会网络和神经信息传递的概念相结合,用于分析和推断动态系统的行为。通过调整有界置信度和影响力权重,并定义与社交网络图特点一致的观点交换规则,我们的方法能够简化复杂的社交网络图,准确识 - DINE: 节点嵌入的维度可解释性
通过开发解释节点嵌入维度的人类可理解的解释,我们提出了一种新方法,用于改进现有的节点嵌入模型的解释性,同时保持其在链接预测方面的有效性。
- 扩展解释:无监督且内在可解释的图嵌入
我们研究了图表示学习,并展示了可以学习和使用保留语义的数据增强来产生解释性,名为 INGENIOUS 的框架,它创造出固有的可解释性嵌入并消除了昂贵的事后分析所需。我们还引入了额外的度量衡解决了无监督表示学习解释性这一研究领域中缺乏形式化和 - 图表示学习用于专利网络分析
利用图表学习方法分析伊朗官方公报中的专利数据,发现新的行业和研究领域,避免重复专利,了解类似和连接的发明,认识支持专利的法律实体,以及了解特定研究领域中的研究人员和相关利益相关者。
- 图形自对比表示学习
本文提出了一种名为 GraphSC 的新型图自我对比框架,它使用图自身通过图增强函数生成正负样本,并使用 Hilbert-Schmidt 独立准则对表示进行分解并引入掩蔽自我对比机制以更好地区分正负样本,同时通过显式减小锚点和正样本之间的绝 - 纯信息传递可用于链路预测中的公共邻居估计
通过利用输入向量的正交性,纯消息传递可以捕捉联合结构特征,我们引入了一种基于消息传递的链接预测模型(MPLP),它利用准正交向量来估计链接级结构特征,同时保留节点级复杂性。我们的方法在各个领域的基准数据集上对于基准方法有一致的优化效果。
- 基于多个节点中心子图的对比表示学习
用图对比学习的框架,我们提出了一种多节点中心子图对比表示学习方法,以自我监督的方式学习图中节点的表示,通过对中心节点的一系列节点中心区域子图进行精心设计,通过对同一节点的不同子图之间的互信息进行对比损失的最大化来实现。对各种真实世界数据集和 - 一种混合成员潜在距离模型适用于无符号和有符号整数加权网络
图像表示学习已成为进一步理解复杂网络的重要工具,本文提出了混合成员 - 潜在距离模型(HM-LDM),通过探索如何将潜在距离模型(LDM)限制为潜在单纯形,从而系统控制潜在空间的体积,进而在空间被限制时逐渐显现出社区结构,特别地,本文在有符 - Transformer 和 GNN 能互助吗?
在这篇论文中,我们提出了一种名为 TransGNN 的新模型,其中 Transformer 层和 GNN 层交替使用以相互改进。我们利用 Transformer 来聚合更相关的节点信息以改善 GNNs 的消息传递,并利用位置编码和 GNN - 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 - OCTAL:用于 LTL 模型检查的图表示学习
我们提出了一种基于图表示学习的模型检测框架,通过学习系统和规范的图结构表示,将模型检测问题转化为二分类问题,实验证明该方法在两种模型检测场景下取得了令人满意的准确性和速度提升。
- 保持传递性的图表示学习,以桥接局部连接性和基于角色的相似性
本文介绍了统一图转换网络(UGT)方法,它能够有效地将局部和全局的结构信息整合为固定长度的向量表示,并提出了一种有效学习转移概率的自监督学习任务,以融合局部和全局的结构特征,该方法在各种下游任务上显著优于最先进的模型基准。
- 基于局部结构的图形对比表示学习
我们提出了一种局部结构感知的图对比学习方法 (LS-GCL),用于从多个视角建模节点的结构信息,并且通过多层对比损失函数来优化模型,实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。
- KDD图形对比学习与生成对抗网络
通过引入生成对抗网络(GAN)以学习图的视图分布,GACN 是一个新颖的生成对抗性对比学习网络,用于图表示学习。经过大量实验证实 GACN 能够为 GCL 生成高质量的增强视图,并且优于十二种最先进的基准方法。值得注意的是,我们提出的 GA