![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图数据挖掘(Graph Data Mining)
文章平均质量分 93
6lyc
中山大学计算机技术硕士
展开
-
[论文分享] GraphCL:图对比学习的增强方式,如何构造正样本?
在图机器学习中,如何构造增强数据!原创 2024-03-22 23:43:52 · 269 阅读 · 1 评论 -
[论文分享] GDCL:图对比学习+聚类,解决伪负样本问题
图对比学习是无监督图表示学习中的一种突出技术。在图节点聚类(community detection)任务中,负样本的构造一般通过随机负抽样,没有考虑节点(隐含的)label信息。这样会在随机抽样中引入假负样本,降低模型的性能。原创 2024-03-21 23:59:34 · 429 阅读 · 1 评论 -
[论文分享] DGI: 图对比学习:局部-全局对比,最大化互信息
基于局部-全局互信息最大化以及infoNCE损失的图对比学习算法原创 2024-03-20 23:38:10 · 930 阅读 · 0 评论 -
[论文分享] DANMF:像自编码器(Autoencoder)一样的深度非负矩阵分解(DNMF)算法
综合深度自动编码器较强的特征表示学习能力,同时保留了NMF的可解释性,该论文提出了深度自编码非负矩阵分解(DANMF)方法。原创 2024-03-19 22:36:24 · 860 阅读 · 0 评论 -
[ICASSP 2024] CDNMF: 一个可信且高效的社区检测(社区发现,图聚类,Community Detection)方法
非负矩阵分解(NMF)算法因其较好的可解释性而被广泛应用于社群检测。然而,现有的基于非负矩阵分解的方法存在以下三个问题:1)直接将原始网络映射到社区成员空间,难以捕捉层次信息;2)往往只关注网络的拓扑结构,忽略其节点属性;3)难以学习到社区检测所需的全局结构信息。因此,我们提出了一种新的社群检测算法——对比的深度非负矩阵分解(Contrastive Deep Nonnegative Matrix Factorization,CDNMF)。原创 2024-03-17 02:05:15 · 3001 阅读 · 3 评论