- SF-GNN:深度图神经网络中的消息无损传播自过滤
图神经网络(GNN)通过传播和聚合的方式对图的结构信息进行编码,取得了显著的表征学习性能,但是仅仅叠加 GNN 层可能不会提高模型的性能,甚至可能有害。针对深层 GNN 出现的性能下降现象,我们提出了一种新的观点。我们认为这个问题不是过度平 - 有限节点标签的联邦学习
通过 FedMpa 和 FedMpae 方法,本研究在子图联邦学习中解决了缺失的跨子图边的问题,并提出了改进节点表示和节点分类的方法。
- SIGIRSeq-HGNN:学习异构图上的序列节点表示
Seq-HGNN 是一种新颖的异构图神经网络,使用序列节点表示学习机制来表示每个节点的元路径表示序列, 并使用异构表示融合模块来聚合这些表示。 实验证明,Seq-HGNN 在信息检索方面的性能超过了现有的同类模型。
- 具有时间和结构强度对齐的自监督时态图学习
本研究提出了一种自监督的方法 S2T,从不同方面提取时空信息和结构信息以学习更多信息量的节点表示,通过优化节点表示和狭化两个条件强度之间的差距来解决高阶结构信息被忽略的问题,并在多个数据集上对比实验表明该方法在时间图学习任务上表现优异。
- CGMN: 一种用于自监督图相似性学习的对比图匹配网络
本文提出了一种对计算机视觉、图分类和协同过滤等领域特别有用的图相似性计算方法。此方法称为自监督图相似性学习,其基于对图像对的图形匹配任务和自学来训练的一种对比学习框架,可以更好地揭示图像的差异和共性,并跨越不同的图形对进行一致性识别。此方法 - SIGIRBSAL: 面向链接预测的双组分结构及属性学习框架
本文提出了一种结构和属性学习框架(BSAL),该框架旨在自适应地利用来自拓扑和特征空间的信息,并使用注意机制将语义嵌入和拓扑嵌入融合在一起,以解决多样网络缺失链路推断问题。实验表明,与基线相比,我们的提议具有优异的性能。
- 一种基于聚类的无监督方法,用于学习科学论文中异构图的节点表示
提出一种聚类层次的无监督学习方法(UCHL),通过学习科学论文异构图中节点(作者、机构、论文等)的表示方法,实现整张异构图上的链接预测,取得优秀成绩。
- CVPR图中结点表示学习:基于结点到邻域互信息最大化的方法
本文提出一种利用自监督学习策略来学习图中节点信息表示的简单而有效方法,通过直接最大化节点和它们的邻居的隐藏表示之间的互信息来获得上下文信息,并采用拓扑感知的正样本采样策略,并借助正样本选择提高了表示学习的质量和有效性。
- Graph-MLP: 图中节点分类不需要消息传递
本文提出了一个基于多层感知机的图神经网络模型 (Graph-MLP),通过利用图结构的监督信号,该模型仅使用多层感知机、激活函数和层归一化,而无需用到信息传递模块,在 loss level 中,设计了一个邻域对比损失 (NContrast) - HyperSAGE: 超图归纳表示学习的通用化
本文介绍了 HyperSAGE,这是一种新的超图学习框架,它使用了双层神经消息传递策略来准确高效地通过超图进行信息传播,并比基准数据集上的现有方法表现更好,具有更高的表达能力和更稳定的节点表示。
- 超越局部化图神经网络:一种基于属性模式正则化的框架
介绍了一种新的半监督学习框架,名为 InfoMotif,可有效提升 GNN 的性能。该框架通过节点在网络中存在的结构角色来实现节点表示的优化,同时通过最大化互信息来实现任意 GNN 的零计划独立性。经过实验测试,InfoMotif 在 6 - ICML基于对比的多视图图形表示学习
文章介绍了通过对比不同结构视图的图表达学习来实现自监督学习,相对于多视图或多尺度编码,通过对比一阶邻居和图扩散编码能够获得最佳表现。该方法在 8 个节点和图分类基准测试中取得了新的最佳结果,在 Cora(节点)和 Reddit-Binary - KDD多视角协作网络嵌入
本文提出了一种多视角网络嵌入方法 MANE,旨在通过多样性和协作来促进多个关系视角的合作,实现更优秀的节点表征,实验证明 MANE 在公开的多视角网络数据集上,优于现有的嵌入方法。
- 连续图神经网络
本文提出了一种连续图神经网络 (CGNN),可以广泛应用于现有的离散动态的图神经网络,并能够捕捉节点之间的远距离依赖关系。实验结果表明,相对于竞争基线,该方法在节点分类任务上是有效的,且具有抗过度平滑的特性。
- 促进独立性的图解开网络
本文提出了一种利用 Hilbert-Schmidt 独立准则以及邻域路由机制实现图卷积网络中的解缠编表示学习方法,能够提高结点表示的独立性,实验结果验证了该算法在半监督图分类、图聚类和图可视化等网络应用中的有效性。
- 单个嵌入是否足够?学习能够捕获多种社交上下文的节点表示
该研究提出了一种学习多个图节点表示的方法,该方法基于一个本地社区的原则性分解来编码节点的角色,并展示了在多种图形上联合预测任务中的最新成果,从而减少了 90% 的错误率,同时还显示出这些嵌入允许了对学习社区结构的有效视觉分析。
- 可扩展的不完整网络嵌入
本研究提出了一种基于概率学习框架的可伸缩的不完整网络嵌入算法,该算法能够单独建模节点上下文和节点属性的关系,增强使用有用信息和抵御缺失信息对表示学习的负面影响,且可应用在包含数百万节点 / 边和高维节点特征的大规模网络中。