【最新综述】无监督网络表示学习综述,附18页全文下载

【导读】近些年来,无监督网络表示学习问题得到了科研人员的广泛关注。本文为大家带来了本领域的最新综述,全文聚焦于无监督网络表示学习方法、新的优化目标与深度架构等内容,是一份很好的入门材料。


介绍:


近年来,基于图的无监督网络表示学习方法已经取得了显著的进展。但是,仍缺少一个统一的框架性研究基础,来分析它们对不同图、任务的异同。本文在一个统一的框架之下对不同的网络表示方法进行了理论分组,并对不同方法的有效性进行了实证研究。因此我们提出了一个框架,将各种方法(基于随机游走、矩阵分解、深度学习)转换成统一的基于环境信息的优化函数,并根据这些方法的相同与不同点进行了系统的分组。本文将详细研究这些方法之间的区别,进而来解释它们在下游任务上的性能差异。


过去五年中,无监督网络表示方法重新获得了关注。这主要是由于深度学习在建模与优化技术中所带来的巨大提升,以及网络表示在现实世界的广泛应用(顶点分类、链接预测、推荐系统、知识补全)。


本文提出了一个通用的理论框架,以关注不同无监督表示学习方法的各种变体,进而以此为基础,对九种不同的方法进行了综合实验与评估,包括从早期表示方法到近期的深度学习方法等。需要强调的是,我们仅仅考虑无监督方法在直推式学习场景中的应用。



图:方法汇总


图:数据集汇总


图:任务评测汇总


请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知)

  • 后台回复“UNRL” 就可以获得全文18页 PDF下载链接~ 

附论文全文:

-END-

专 · 知

专知《深度学习:算法到实战》课程全部完成!510+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询!

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询《深度学习:算法到实战》课程,咨询技术商务合作~

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

展开全文
Top
微信扫码咨询专知VIP会员