关键词graph-level representations
搜索结果 - 3
- 联合嵌入预测架构的图级表示学习
Graph-JEPA 是首个针对图领域提出的 Joint-Embedding Predictive Architectures (JEPAs) 模型,通过掩码建模学习不同子图的嵌入表示,并且采用预测编码子图在二维平面上单位双曲线上坐标的替代 - ICLRInfoGraph:利用互信息最大化进行无监督和半监督图级表示学习
本文研究无监督与半监督情境下,学习整个图的表示。通过最大化不同规模子结构(例如节点,边和三角形)的表示和图表示之间的互信息,提出了名为 InfoGraph 的图级表示学习方法。InfoGraph 优于现有的竞争基线。同时,我们还提出了一个名 - AAAI使用循环神经网络学习图级表示
本文提出了一种结合无监督和有监督学习组成的方法,通过利用 random walk 方法和 Gumbel-Softmax 分布将图节点映射到节点序列,然后使用修改后的 RNN 神经网络单位学习节点表示方法和它们的邻域信息,实验表明该方法优于或