WWW2023 表征学习论文合集

国际万维网大会（The International Conference of World Wide Web，简称WWW会议），是由国际万维网会议委员会发起主办的国际学术会议，创始于1994年，汇集了国际著名大学、研究机构、跨国企业和国际标准化组织的一流学者和产业界精英，持续推动着互联网技术的发展，尤其是为各国信息化建设提供了重要的技术标准。

AMiner通过AI技术，对 WWW2023 收录的会议论文进行了分类整理，今日分享的是表征学习主题论文，共10篇，我们在这里展示五篇最受欢迎的论文，欢迎下载收藏！

1.Hyperbolic Geometric Graph Representation Learning for Hierarchy-imbalance Node Classification 论文详情页
作者：Xingcheng Fu,Yuecen Wei,Qingyun Sun,Haonan Yuan,Jia Wu,Hao Peng,Jianxin Li
AI综述（大模型驱动）：图表中不平衡标记的实证结果表明,图的层次结构具有重要影响。我们提出了一种称为超大矩阵的学习算法,该算法解决了层次失真问题。实验结果证明了超大矩阵对层次失真任务的有效性。
论文链接：https://www.aminer.cn/pub/643621a290e50fcafd666079/

2.DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision 论文详情页
作者：Sungwon Han,Seungeon Lee,Fangzhao Wu,Sundong Kim,Chuhan Wu,Xiting Wang,Xing Xie,Meeyoung Cha
AI综述（大模型驱动）： 我们提出了一种称为双全的模型,它可以将性别和种族等敏感属性从学习的表示中区分出来。与现有的无监督模型不同,我们的模型联合优化了两个透明度标准——团体透明度和反常态透明度——并产生了更公平的预测。该模型使用相似损失来生成每个受保护的群体中所具有的不可分割的嵌入,而强制反常态对对之间的嵌入进行类似的嵌入。然后,它使用自我知识提取方法以保持向下流任务的质量。广泛的分析在多个数据集上证明了该模型的有效性,进一步表明了该模型在公平智能Web应用中的潜力价值。
论文链接：https://www.aminer.cn/pub/641289e790e50fcafd7d3fb4/

3.Attribute-Consistent Knowledge Graph Representation Learning for Multi-Modal Entity Alignment 论文详情页
作者：Qian Li,Shu Guo,Yangyifei Luo,Cheng Ji,Lihong Wang,Jiawei Sheng,Jianxin Li
AI综述（大模型驱动）：多向实体对齐(MMEA)的目标是找到所有等价物符号之间的多个模块化知识图。富有特征和邻近的实体对于对齐任务至关重要,但现有的工作忽略了这些实体的上下文缺口。在本文中,我们提出了一种新的用于MMEA的属性一致性图表示学习框架,该框架通过合并和生成函数来解决上下文缺口。然后,通过将ACKG映射到关系观察图神经网络,以获得集成的关系表示和健壮的实体表示,使用ACE数据集进行的实验表明,我们的方法优于其竞争对手。
论文链接：https://www.aminer.cn/pub/642ce6fa90e50fcafde75922/

4.INCREASE: Inductive Graph Representation Learning for Spatio-Temporal Kriging 论文详情页
作者：Chuanpan Zheng,Xiaoliang Fan,Cheng Wang,Jianzhong Qi,Chaochao Chen,Longbiao Chen
AI综述（大模型驱动）：图形时间推理是自然语言处理中一个重要的问题。在本文中,我们提出了一种新的图形图像表示学习模型。我们首先将观察到的和未观察到的地点的分布信息编码为分布式空间关系。然后,通过合并特征的相似性和差异,以精确地对最相似的观察点生成示例。最后,我们提出了一种多重指向机制来动态集成复杂的空间时间信息。实验结果表明,该模型优于最先进的方法,并且最大的优势是在没有观察的地方。
论文链接：https://www.aminer.cn/pub/63e1c14790e50fcafd2dd644/

5.HINormer: Representation Learning On Heterogeneous Information Networks with Graph Transformer 论文详情页
作者：Qiheng Mao,Zemin Liu,Chenghao Liu,Jianling Sun
AI综述（大模型驱动）：本文研究了基于图神经网络(GNN)中信息流的表示学习问题,提出了一种名为HI Normer的模型,该模型利用了一个更大范围的聚类机制来学习节点表示。通过两个主要的模块,即局部结构编码器和异构关系编码器,hinormer可以捕捉到Hins上节点的结构和异构信息。在四个HIN基准数据集上进行了广泛的实验,证明了该模型的性能。
论文链接：https://www.aminer.cn/pub/63f6da0d90e50fcafd256b94/

想查看全部表征学习论文，可以点击这里！！！