- 基于 PPR 的嵌入方法的深度理解:拓扑视角
该研究论文讨论了节点嵌入、个性化 PageRank、图拓扑以及基于 PPR 的嵌入方法对各种下游任务的优势的解释性分析。
- 道路网络图提取的分段模型
我们提出了 SAM-Road,它是 Segment Anything Model(SAM)的一种适应性方法,用于从卫星图像中提取大规模的矢量化道路网络图。我们通过将图形几何形式化为密集语义分割任务,利用 SAM 的固有优势来预测图形几何,S - 分布式学习中的隐私攻击
分布式梯度下降 (D-GD) 允许一组用户在网络图中通过迭代平均本地模型更新与其相邻节点进行协同学习,而无需共享数据。我们提出了针对 D-GD 的第一个攻击,并演示了用户(或一组用户)如何通过回声平均协议的重构攻击来重建其他用户的私有数据, - 高级学术团队成员推荐模型
通过结合查询上下文和论文与图拓扑的关系构成新的图模型 CQBG-R,我们提出了一种学术团队工作者推荐的方法,以研究兴趣和特定任务为目标,实验证明了该方法的有效性。
- 域自适应图分类
通过双重对抗学习的方法,本文提出了 Dual Adversarial Graph Representation Learning(DAGRL)来探索图拓扑结构,并且减少域间差异,实验证明了该方法的有效性。
- 图卷积神经网络的稳定性:小扰动分析视角
本文研究了图卷积神经网络在图拓扑的随机小扰动下的稳定性问题,通过导出了一个新的界限,明确了未经扰动和经扰动图卷积神经网络输出之间的期望差异,该界限明确取决于拉普拉斯矩阵特征对的扰动程度以及插入或删除的边。在此基础上,我们定量地描述了特定边的 - 从数据中学习图和单纯复合体
我们提出了一种新的方法来估计图的拓扑,并识别三节点的相互作用,通过结构化的图 Volterra 核来学习二阶简单复形 (SCs),通过使用群规范和掩膜矩阵求解图和 SC 推理的数学公式,实验结果表明我们的方法在合成和真实数据上具有优越性能。
- 基于核的多图学习与图信号聚类
在图信号处理(GSP)的背景下,图学习(GL)关注的是从节点观测(即图信号)中推断出图的拓扑结构。然而,数据通常是混合形式,涉及不同的底层结构。这种异质性需要对多个图进行联合聚类和学习。在许多现实应用中,节点侧协变量(即核函数)是可用的,并 - 合作图神经网络
图神经网络是基于迭代计算的节点表示的图机器学习流行架构之一;本文提出了一个新的框架,用于训练图神经网络,其中每个节点可以选择自己的策略,从而更灵活地探索图拓扑结构并进行学习。
- 基于局部结构嵌入恢复遗失的节点特征
通过结合网络结构,我们提出了一种从一组图中完全恢复缺失节点特征的框架,该框架利用了先前的拓扑和节点特征信息,并通过聚合相似节点的已知特征来估计缺失节点值,在图基学习中强调了节点特征和图结构的关系。
- 力导向图嵌入与跳数距离
本研究提出了一种新颖的力导向图嵌入方法,利用稳定的加速度动力学公式来嵌入节点,以保留图拓扑和结构特征,实现了高性能的图处理和分析任务,相比最先进的无监督嵌入技术具有竞争性的性能。
- Blink: 基于贝叶斯估计的图神经网络中的链路局部差分隐私
使用基于链路局部差分隐私的分散节点训练图神经网络,在保障用户隐私的前提下实现高准确性的图拓扑恢复。
- 类别不平衡节点分类的拓扑增强
该研究针对真实世界的节点分类任务中普遍存在的类别不平衡问题,从节点中心和拓扑结构的角度出发,通过拓扑增强方法解决了类别不平衡的问题,并在促进不平衡节点分类和缓解不同类别之间的预测偏差方面验证了其卓越性能。
- 社交学习网络中的因果影响
本文研究社交图中相互关联的代理之间的因果影响,并考察社交学习模型和分布式决策协议的动态性,推导出表达式以揭示代理之间的因果关系并解释网络中的影响流动。结果依赖于图的拓扑结构和每个代理对于所解决的推断问题的信息水平。基于这些结论,本文提出了一 - 在多机器人网络中,从节点轨迹中学习识别图形
该研究提出了一种基于学习的方法,结合了强凸规划和自注意力编码器,可以有效地揭示图的拓扑结构以及预测适当的正则化参数,从而解决了网络配置不同的情况下图拓扑的识别问题。
- CoCo: 无监督领域自适应图分类的耦合对比框架
提出了一种名为 CoCoGRL 的新方法来解决图形神经网络在图形分类,无监督学习,域适应等领域中需要大量标记成本的问题,此方法使用图形结构在多个视图上进行对比学习。
- KDD基于图的模型无关数据子采样算法在推荐系统中的应用
通过研究用户 - 项目图的拓扑结构,利用图电导估计每个用户 - 项目交互的重要性并进行网路传播,避免了模型误设(misspecified)对模型基础数据子采样方法的恶化,该方法在 KuaiRec 和 MIND 数据集上的实验结果证明了其相对 - 异构图神经网络梯度正则化的统一方法
本研究提出了一种名为 Grug 的新型梯度正则化方法,它可以在消息传递过程中对传播消息和节点特征生成的梯度都进行迭代正则化。Grug 提供了一个统一框架,可以集成图拓扑和节点特征,并基于此进行详细的理论分析它们的有效性。
- IJCAITGNN: 一个用于图级分类的联合半监督框架
研究了半监督图分类,提出了一种名为 Twin Graph Neural Network(TGNN)的新型半监督框架,旨在利用图拓扑导出的特征以及充分利用未标记数据,通过消息传递模块和图内核模块来探索来自互补视图的图结构信息,同时通过交换实例 - AAAI具有受限数据访问的实用跨系统水军攻击
本研究分析了炒信攻击方法的实际应用问题,提出了跨系统攻击的概念并设计了一个新的实用跨系统炒信攻击框架,使用图拓扑知识进行自我监督的训练,在很少了解受害者 RS 模型和目标 RS 数据情况下构建虚假档案,具有比现有基线的卓越性能。