Adaptive Graph Encoder for Attributed Graph Embedding 论文阅读

最新推荐文章于 2023-02-03 13:34:22 发布
最新推荐文章于 2023-02-03 13:34:22 发布
阅读量173 收藏
点赞数 1
分类专栏： 图 文章标签： 深度学习 人工智能
原文链接：https://blog.csdn.net/qq_44015059/article/details/114977767?spm=1001.2014.3001.5501
版权

1.abstract
属性图嵌入通过对图结构和结点特征的学习来学习向量表示。现存的基于gcn的方法主要存在以下三个问题：1.图卷积核和权重矩阵的关联会影响模型的表现和鲁棒性。2.现在使用的图卷积核是一种通用图卷积的特例，但是没有保存最优低通属性。3.现在的训练过程通常需要邻接矩阵或特征矩阵，在现实应用中不一致(?).本文提出Adaptive Graph Encoder（AGE）：使用了更好的拉普拉斯卷积核来减轻高频噪声，使用adaptive encoder获得更好的结点嵌入。
相关阅读笔记

ptxx_p
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【2021/图卷积/差分隐私保护】Graph Embedding for Recommendation against Attribute Inference Attacks
码农的科研笔记
02-12 213
由于用户-项目交互可以自然地建模为图结构数据，图卷积网络(GCNs)的变体已经成为最新推荐算法中运用广泛的部分。但是由于敏感用户档案数据的广泛使用，现有的推荐模式可能会使用户面临隐私泄露的威胁，GCN的推荐者也不例外。作者提出了GERAI，一种新的差分私有图卷积网络来解决这些限制。具体来说，在GERAI中将差分隐私中的信息扰动机制与图卷积网络的推荐能力绑定在一起。
Adaptive Graph Encoder for Attributed Graph Embedding论文笔记
Pairsppppp的博客
08-12 1097
Adaptive Graph Encoder for Attributed Graph Embedding 属性图嵌入的自适应图自动编码器 -KDD 2020 论文：paper 源码：code 高频是噪声？ 原图-低频=高频 高通就是保留高频数据 低通就是保留低频数据 基于GCN的方法有三个主要的缺点： 1.图卷积滤波器和权重矩阵的纠缠？将损害性能和鲁棒性 2.广义拉普拉斯平滑滤波器并不能保持最优的低通特性 3.现有算法的目标多是重建邻接矩阵或特征矩阵， 这并不总是与现实世界的应用程序一致 –作者提出自
Adaptive Graph Encoder for Attributed Graph Embedding 阅读笔记
NYSDY的博客
09-03 1211
dfa
论文阅读—Adaptive Graph Encoder for Attributed Graph Embedding
Danger的博客
02-03 2130
论文阅读—Adaptive Graph Encoder for Attributed Graph Embedding
论文笔记：KDD 2020 Adaptive Graph Encoder for Attributed Graph Embedding
qq_44015059的博客
03-18 2026
前言 属性图嵌入，具体来说就是通过图数据结构中的拓扑关系和节点特征信息完成节点表示学习的过程。其中属性图的具体指的就是节点的特征信息。作者首先分析了现有的基于 GCN 的属性图嵌入方法的三个缺点，分别是： 图卷积滤波器与权矩阵的纠缠不仅会影响性能，而且会影响鲁棒性 这些方法中的图卷积滤波器是广义拉普拉斯平滑滤波器的特殊情况，但它们并不保留最优低通特性。 现有算法的训练目标通常是恢复邻接矩阵或特征矩阵（通过自动编码器框架），这与实际应用并不总是一致的。 因此，作者提出了一种自适应的图编码方法 Adapti
Dimensionality reduction with adaptive graph
02-09
Graph-based dimensionality reduction (DR) methods have been applied successfully in many practical problems, such as face recognition, where graphs play a crucial role in modeling the data ...
Adaptive Interaction Modeling via Graph Operations Search.pdf
10-19
在《Adaptive Interaction Modeling via Graph Operations Search》这篇CVPR论文中，作者提出了一种自动化结构设计的方法，以学习适应性交互建模的网络结构。他们利用可微架构搜索机制，使网络能够学习构建针对不同...
Adaptive Finite Elements Based Graph Partitioning Active Contours for SAR Image Segmentation
02-10
Adaptive Finite Elements Based Graph Partitioning Active Contours for SAR Image Segmentation
Adaptive-graph-convolutional-subspace-clustering源码
最新发布
11-16
标题 "Adaptive-graph-convolutional-subspace-clustering源码" 涉及的是一个用于数据聚类的先进算法，该算法结合了图卷积网络（Graph Convolutional Networks, GCN）和子空间聚类（Subspace Clustering）。...
matlab图像相嵌代码-Adaptive-Graph-Guided-Embedding-for-Multi-label-Annotation
05-26
该存储库包含我们2018年国际人工智能联合会议（IJCAI）论文（AG2E）的代码。 AG2E利用现有的小型多标签数据集在半监督情况下恢复/注释大型图像。 它设计了一个自适应图和一个不变域投影，它们经过同时训练以实现高...
卷积自编码器_SMP学术成果速递—属性图的自适应编码器
weixin_39574928的博客
12-10 431
题目：Adaptive Graph Encoder for Attributed Graph Embedding作者：崔淦渠(清华大学)，周界(清华大学)，杨成(北京邮电大学)，刘知远(清华大学)会议：ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 2020属性图嵌入是图分析中的一...
论文 | 属性网络嵌入 Attributed Network Embedding
小布莱克的博客
05-11 5638
分别对网络结果以及网络属性两个矩阵进行embedding学习，再将其合并，以实现属性网络的嵌入学习表示。
推荐系统初学者系列（8）-- Graph Embedding（网络嵌入表示）做Top-K推荐
热门推荐
私人天地
06-29 1万+
上一篇：Surprise库做Top-K推荐
论文笔记：Attributed Graph Clustering: A Deep Attentional Embedding Approach
qq_44015059的博客
06-06 4075
前言 为了利用各种类型图数据的相互关系，此篇文章提出以图注意力自动编码器来学习潜在表示。 编码器利用图注意力网络来利用图结构和节点内容，并且多层编码器被堆叠以构建用于嵌入学习的深度架构。 另一端的解码器重建拓扑图信息并操纵潜图表示。 进一步采用了自训练模块，该模块以“有信心”的聚类分配作为软标签来指导优化过程。 在架构的设计上，更加注重聚类任务 总结如下： 第一个基于图注意力的自动编码器，有效地整合结构和内容信息，以进行深度的潜在表示学习。 为属性图聚类提出了一个新的目标导向框架。该框架共同优化了嵌入学
关于Network embedding的一些笔记(内含数据集）
ZhichaoDuan的博客
03-15 7538
首先这也是我进入一个全新领域的第一步，本文有描述不准确的地方还望指正。Network embedding也就是将Graph中的node投影到低维度的向量空间中，再进行后续处理的计算。A Survey on Network Embedding 这篇论文对各种方法的优点和缺点都进行了详细的叙述。很多复杂的系统都是采用网络的形式，比如社交网络，生物网络，和信息网络。通常这些网络都很复杂，不容易处理，计算...
【2020顶会KDD】用于属性图嵌入的自适应图形编码器
huang_shao1的博客
09-08 775
题目：Adaptive Graph Encoder for Attributed Graph Embedding 文章作者信息： 预览摘要： 属性图嵌入是一项具有挑战性的图分析任务，它从图的拓扑结构和节点特征中学习向量表示。近年来，基于图卷积网络(GCNs)的方法在这方面取得了很大的进展。 然而，现有的基于GCN的方法主要有以下三个缺点： 首先，实验表明，图卷积中的滤波器和权值矩阵的纠缠会影响模型的性能和鲁棒性； 其次，这些方法中的图卷积滤波器是广义拉普拉斯平滑滤波器的特殊情况，..
论文笔记：Adversarially Regularized Graph Autoencoder for Graph Embedding
qq_44015059的博客
06-04 3527
前言 大多数现有的嵌入算法通常集中于保留拓扑结构或最小化图数据的重构错误，但它们大多忽略了图中潜在代码的数据分布，这通常导致在现实世界中的图数据嵌入效果较差。由此作者提出了两种基于对抗正则化的图自动编码方法：**即对抗正则化图自动编码器（ARGA）和对抗正则化变图自动编码器（ARVGA）。**实验证明了算法在链接预测，图聚类和图可视化任务方面大大优于baseline。 1. Introduction 首先介绍了一些图类型数据的任务包括节点/图分类、点聚类，由于高计算复杂度，低并行性以及机器学习方法无法用于图
《Attributed Social Network Embedding》论文学习笔记
刘正铭的博客
09-22 1340
本文提出了一种网络表示学习算法：将结构信息和属性信息同时输入深度神经网络，实现非线性特征抽象，相对传统的浅层神经网络语言模型，有较大性能提升。同时作者提出了离散属性信息的处理方式，是本文的贡献之一。多源信息融合的表示方法主要有以下几种：一、分别建立表示模型，简单拼接作为最终表示向量；二是训练过程中建立联合优化目标函数，实现线性融合；第三种就是作者提到的共同输入深层模型进行特征提取，实现非线性融合。
Attributed Graph Clustering: A Deep Attentional Embedding Approach，IJCAI2019
qq_36618444的博客
08-14 1760
目录Problem Definition and Overall FrameworkProposed MethodGraph Attentional AutoencoderSelf-optimizing EmbeddingJoint Embedding and Clustering OptimizationExperiments 本文的作者来自悉尼科技大学和莫纳什大学（位于澳大利亚墨尔本市）。 以往的图聚类任务分为两步：学习graph embedding，然后以节点的表示为基础应用图聚类算法（比如k-mea
adaptive universal generalized pagerank graph neural network(iclr2021)
08-01
《自适应通用广义PageRank图神经网络》是在ICLR2021中发布的一篇论文。这篇论文提出了一种新的图神经网络模型，称为自适应通用广义PageRank图神经网络。 传统的图神经网络通常使用节点和边的特征来进行节点分类和...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值