- 随机、大规模和高效行走
本研究提出一组技术,允许在每台机器的空间强烈次线性的情况下,在 Massive Parallel Computation(MPC)模型中高效生成许多独立的随机游走,从而突破了 PageRank 等在有向和无向图的应用中遇到的局限性。
- 优化广义 PageRank 方法以进行种子扩展社区检测
该研究提出了基于加权随机游走概率的广义 PageRank 方法,并针对社区检测问题,提出新的随机游走权重计算方法。通过合成和真实数据的大规模实验,证明了新方法在社区检测问题中的有效性。
- ICML具有边相关顶点权重的超图上的随机游走
本文研究使用有边依赖节点权重的随机游走来发展超图的谱理论,并且给出了对于这种超图随机游走等价于图随机游走的条件,同时通过使用真实数据集展示了有边依赖节点权重的超图在排序应用中的优势。
- 利用随机游走进行动态图形的高效表征学习
本文介绍了一种有效的算法,可以基于动态图扩展随机游走技术用于顶点表示学习,并以实验数据说明了其在多分类和多标签顶点分类等机器学习任务中表现出与最先进方法相当的计算效率。
- 通过快速传播聚类相似性增强集成聚类
本文提出了一种新颖的基于随机游走的集成聚类方法,通过快速传播集群间相似性解决了现有算法所面临的对象级别信息和多尺度间接联系隐藏等方面的挑战,并提出了两个新的一致性函数以获得一致聚类结果。
- 基于随机游走回程概率的图核函数
提出基于随机游走返回概率的图核计算框架,使用各种节点属性进行有效利用,并在广泛的图分类实验中证明了其显著优越性。
- ICML通过图毒化对节点嵌入进行对抗攻击
本研究针对网络表征学习方法中基于随机游走的广泛使用问题,提供了首个对其鲁棒性的对抗性漏洞分析,提出有效的对抗性扰动对网络结构造成了负面影响,并证明本研究提出的攻击是可迁移的。
- 简单复合体上的随机游走与归一化 Hodge 1-Laplacian
通过设计恰当的 Hodge Laplacian 归一化方法,将边缘之间的耦合进行推广,进而实现了更高阶相互作用的 Laplacian 分析,同时利用此方法提取海洋漂流器轨迹数据以及图书共购数据中的边空间信息。
- N-GCN:用于半监督节点分类的多尺度图卷积
该研究提出了一种名为 N-GCN 的模型,将图卷积网络和随机游走中的信息融合,训练多个 GCNs 实例,并学习组合不同距离下的节点对的实例输出,实现优化分类目标。实验证明,该模型在节点分类任务上表现优异,具有良好的通用性和鲁棒性。
- IJCAI学习基于角色的图嵌入
本文介绍了使用 Role2Vec 框架基于属性随机游走的方法来在图形数据分析中实现广义深度学习和节点表示学习,并取得了较好的效果和泛化能力。
- NIPS大规模属性图的归纳表征学习
本研究提出了一个基于属性随机游走的框架用于推断网络表示学习,该框架可以更广泛地应用于现有的机器学习方法中,并解决了现有方法中节点身份相关性的固有问题。
- 基于图的表示学习方法泛化框架
本论文介绍了带标记的随机游走的概念,以此为基础对现有的一些利用随机游走的算法如 DeepWalk、node2vec 等进行了推广,可适用于传导学习、归纳学习以及具备属性的图形数据,并在多个领域的各种图形上验证了该算法的有效性。
- 图嵌入技术、应用及性能:一项调查
本文综述了图嵌入技术的各种方法,介绍了三个不同的分类方法的代表性算法,并分析了它们在不同任务上的表现。文章最终结论是提出了一些潜在的应用和未来方向,并介绍了一个名为 GEM 的 Python 库,其中提供了所有介绍的算法作为一个统一的接口, - CVPR基于可验证自表示的子空间并集异常检测
该论文提出了一种结合了稀疏表示和随机游走的新的离群值检测方法,通过定义合适的马尔科夫链从而将离群值和基本 / 非基本状态联系起来,实现了在大型数据集中正确检测离群点的目的。
- 网络上的随机游走和扩散
本文综述了在网络上的随机游走的理论和应用,突出了单个和非自适应随机漫步器的简单情况。它探讨了随机游走的三种主要类型 —— 离散时间随机游走、节点中心的连续时间随机游走和边缘中心的连续时间随机游走,并深入讨论了一些应用,包括节点排名、社区检测 - 大规模图中奇异子结构的快速准确挖掘:摇摆随机游走
本文提出了一种新的算法 Waddling Random Walk(WRW),用于估计任意大小的图相对浓度,并通过在可访问的节点路径上进行随机游走来采样子图以提高计算效率、精度与准确性。通过使用广泛使用的图形数据集,该算法在速度、精度和准确性 - 跳着走!多尺度网络嵌入的在线学习
我们提出了一种名为 Walklets 的算法,通过子采样短的随机游走,在图的顶点之间建立多尺度关系,从而生成多维表示,用于社交网络等多标签网络分类任务,其效果优于 DeepWalk 和 LINE 等方法,且为在线算法,可轻松扩展到数百万个顶 - 通过随机游走估算图形统计量的通用框架
本文提出了一种基于随机游走的框架,通过优化技术和收集样本来估算任何规模的图形统计数据,并取得了在准确性和时间成本方面都优于现有技术的效果。
- 随机漫步下的蚂蚁启发式密度估计
通过与其他个体遇到的次数来测量群体密度的方法是一种较好的估算密度的方法,在随机行走的过程中,多个匿名的个体可以在几步内估算出其密度,并且结果与独立采样格子位置所需的基本相同。此方法也可以用于社交网络的大小估算和机器人群体的密度估算。
- 学习与专家建议的极小化遗憾最优非渐进下界
非渐近下界成立于 Gaussian 变量和随机行走的最大值的期望中,这些下界均为极限状态下的最优主导常数,文中的在线学习应用也得到了非渐近下界的成立。