- AAAI利用关系嵌入减少图神经网络中的过度平滑
本文提出了一种使用节点嵌入关系明确缓解图神经网络(GNNs)中超平滑问题的新方法。通过在真实数据集上进行试验,表明利用节点嵌入关系使得 GNN 模型如 Graph Attention Network 对超平滑的鲁棒性更强,并且在更深的 GN - 基于节点属性和空间交互的图嵌入方法用于空间网络社区发现
该研究提出了一个名为 “region2vec” 的无监督的基于 GCN 的社区检测方法,通过生成区域节点嵌入并应用聚类算法检测出具有相似嵌入和空间邻接的社区,以平衡属性相似性与空间相互作用在社区内的表现。实验结果表明该方法在属性和空间上均能 - 多路异构图卷积网络
本研究提出了一种多重异构图卷积网络(Multiplex Heterogeneous Graph Convolutional Network,MHGCN),可以通过多层卷积聚合自动学习多重异构网络中不同长度的有用异构元路径交互,并有效地将多关 - 使用哈希的嵌入压缩技术,用于大规模图表现学习的高效方法
通过使用压缩方法,我们可以将节点嵌入用比浮点向量更紧凑的向量表示,从而实现在工业级规模的图形数据上快速训练图神经网络,同时达到更好的性能。
- COIN:针对二分图的 Co-Cluster Infomax
本文提出了一种名为 COIN 的新型社团信息最大化(coclustering infomax)框架,该框架通过最大化共同聚类的互信息来捕捉簇级信息,实现了对节点嵌入向量的有效提升,并提供了理论证明及各项任务的表现。
- 消息传递图神经网络在大型测试图中的 OOD 链接预测泛化能力
本文提供首个理论研究证明图神经网络在图形大小大于训练图形的情况下,能够执行归纳式跨领域链接预测任务,我们提出了一种结构节点嵌入的方法,并证明了它的有效性和收敛性。
- CGC:用于社群检测和跟踪的对比图聚类
本文介绍一种基于对比学习的图聚类模型 CGC,它能够学习节点表征和群集分配,支持静态和动态图的聚类,并能检测变化点。实验表明,该模型在真实世界的图聚类中表现卓越。
- 无监督网络嵌入超越同质性
SELENE 框架通过异质性适应的自我监督学习目标函数优化网络的学习,设计了双通道特征嵌入管道以分辨 r-ego 网络,提高了节点嵌入的质量,从而在同质和异质环境中分辨连接的异质节点,集群准确度提高了 12.52%。
- R-GCN: R 可以代表随机
本文介绍了 “随机关系图卷积网络” 的方法,该方法相比 “关系图卷积网络” 表现出色,其中重要的贡献在于信息传递而非学习得到的权重。
- SMGRL: 可扩展的多分辨率图表示学习
我们提出了一个可应用于任何现有 GCN 模型的可扩展多分辨率图表示学习 (SMGRL) 框架,通过学习多分辨率节点嵌入有效地捕获长和短距离依赖,并将其聚合以产生捕获高质量节点嵌入的优化算法,同时提高分类准确度,而不会产生高计算成本。
- DeHIN:一个去中心化框架,用于嵌入大规模异构信息网络
本文介绍了一种基于超图的分布式节点嵌入学习框架 DeHIN,通过分布式的超图划分和开发基于超图的并行化节点嵌入算法,实现了对异构信息网络的高效节点嵌入学习和分布式处理。
- Graph-Fraudster:基于图神经网络的纵向联邦学习的对抗性攻击
本文提出了基于 GVFL 框架的新型攻击方法 Graph-Fraudster,并在五个基准数据集上进行了实验,结果表明该方法在攻击性能上具有最先进的水平,并提出了未来工作的一些建议以改善 GVFL 的稳健性。
- AAAICrossWalk: 公正增强的节点表示学习
本文提出了一种名为 CrossWalk 的方法,通过加权和偏置随机游走,使得节点嵌入更加公平,并且能够适用于任何基于随机游走的节点表示学习算法,以增强不同图算法的公平性。
- Twitch Gamers: 一份用于评估保持距离和基于结构角色的节点嵌入的数据集
本文提出了一个名为 Twitch Gamers 的多样性社交网络数据集,旨在评估新颖接近保持和结构角色基于节点嵌入算法的预测性能。
- Node2Seq: 用于图神经网络中可训练卷积的方法
本文提出了一种名为 Node2Seq 的新型图网络层,通过注意力机制和一维卷积神经网络实现了对不同相邻节点信息聚合的显示可训练权重,并提出了通过注意力分数以自适应方式融合非局部信息进行特征学习的方法,实验证明该方法提高了特征学习的性能。
- AAAI层次图胶囊网络
本文提出了一种称为层次图胶囊网络(HGCN)的创新方法,它可以联合学习节点嵌入和提取图层次结构,通过识别每个节点下的异构因素建立分离的图胶囊,从而表征同一实体的不同属性,并通过显式考虑部件之间的结构信息来表征低层胶囊(部分)和高层胶囊(整体 - 多任务设置下的图表示学习的元学习方法
本文提出了一种新的元学习策略,能够生成可用于多个任务的多任务节点嵌入,并在多个任务上表现出比传统模型更高甚至可比的性能。该方法可以避免同时执行多个任务时出现的困难,是模型不可知和任务不可知的,适用于各种多任务领域。
- PanRep:用于提取异构图中通用节点嵌入的图神经网络
这项工作介绍了 PanRep,一种图神经网络模型,用于异质图的无监督学习通用节点表示,该模型通过预训练和精调来提取节点嵌入,适用于节点分类、链接预测和药物发现等下游任务。
- KDD属性图嵌入的自适应图编码器
提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络(GCN)的 attributed graph embedding 任务,并且采用了特定的 laplacian smoothing filter 去 - CVPR基于序列图卷积网络的主动学习
本文提出了一种基于图卷积网络(GCN)的新颖池化主动学习框架,利用 GCN 对节点进行消息传递操作识别出已标记和未标记的节点,并利用节点的嵌入和置信度得分以及 CoreSet 和基于不确定性的采样技术选择未标记示例,反转其标签并重新训练学习