- 一个用于节点聚类的对比变分图自编码器
改进了 Variational Graph Auto-Encoders 方法以应对节点聚类任务中的挑战,包括推理和生成模型的差异、后验坍缩、特征随机性和特征漂移,并通过对比学习获得更好的聚类结果。
- 使用 Node2Vec 学习得到的嵌入进行社区检测和分类保证
通过对大型网络的节点进行嵌入,得到欧几里德空间中的表示是现代机器学习中的一个常见目标,该研究工作就对 node2vec 学习到的嵌入进行了理论性的分析,证明了其在聚类任务中表现出较弱的一致性,并对其在网络数据中的应用进行了讨论。
- 潜在的随机步骤作为最大割、最小割和更多的松弛
基于非负矩阵分解的概率模型统一了节点聚类和图简化,提供了建模任意图结构的框架。通过将硬聚类放松为软聚类,我们的算法将潜在的困难聚类问题转化为易处理的问题。
- arXiv4TGC:大规模时序图聚类数据集
本篇论文提出了一种解决大规模时间图聚类评估的挑战的方法 —— 构建一个包含多个学术数据集的 arXiv4TGC 数据集,并与先前的经典数据集和本论文提出的新数据集进行比较,以提高不同模型的聚类表现和适用于大规模时间图聚类的可行性。
- 基于时间标签平滑性的时变图聚类
本文提出一种基于时间变化图的节点聚类方法,其假设聚类标签在时间上平滑变化。采用基于谱聚类的优化问题公式来解决节点聚类问题,增加了标签平滑约束条件,然后采用原始双重分割算法来解决,实验结果表明,该方法是有效的。
- MSGNN: 基于新型磁性符号 Laplacian 的谱图神经网络
该研究介绍了一种名为磁签 Laplacian 的矩阵,作为有向网络的谱图神经网络(GNNs)的一种新颖有效的构建方式。实验证明,所提出的谱 GNN 可有效地结合了有向信息和签名信息,并在广泛的数据集上取得了领先的性能。
- 半监督图学习 meets 降维
本文研究了使用 PCA,t-SNE 和 UMAP 等降维技术对半监督图神经网络中节点标签的传播效果,并通过 Cora 和 Citeseer 等数据集进行了量化和定性分析,并发现在某些情况下,将降维技术应用于 GNN 的输入和输出可以同时提高 - AAAI上下文敏感图表示学习:闲话与关注
本文提出了一种基于 gossip 通信和 mutual attention 机制的 GOAT 算法,无需任何附加文本特征,仅仅通过图的结构就能提取高质量的上下文敏感节点表示。我们使用 6 个真实数据集对 GOAT 进行了比较,并与 12 个 - 图邻域注意池化
本研究提出了一种名为 GAP 的新型上下文敏感的算法,它使用注意力池化网络在不需要额外特征或社区检测算法的情况下,学习到了在节点邻域不同部分的出现概率,并在真实的数据集上表现出了优秀的表现超过了 10 种流行的最新模型。