论文摘要

多路网络中的节点通过多种类型的关系进行连接。然而,大多数现有的网络嵌入方法假定只有节点之间存在单一类型的关系。即使对于考虑网络复用性的人,他们忽略节点属性,求助于节点标签进行训练,并且无法对图的全局属性建模。我们提出了一种简单而有效的无监督网络嵌入方法,该方法是基于深部图的自组织网络,该方法最大限度地利用图的局部斑块之间的互信息,以及整个图的全局表示。我们设计了一个系统的方法来联合集成来自多个图的节点嵌入,方法是:1)使用一致正则化框架来最小化关系类型特定的节点嵌入之间的分歧;2)使用通用鉴别器来区分真正的样本,而不考虑关系类型。我们还表明,注意机制可以推断每种关系类型的重要性,因此可以作为预处理步骤用于过滤不必要的关系类型。在各种下游任务上的大量实验表明,尽管DMGI是完全无监督的,但DMGI仍然优于现有的方法。

论文作者

Chanyoung Park1, Donghyun Kim, Jiawei Han1, Hwanjo Yu,伊利诺伊大学香槟分校计算机科学系,韩国浦项科技大学计算机科学与工程系

成为VIP会员查看完整内容
38

相关内容

现实生活中常常会有这样的问题:缺乏足够的先验知识,因此难以人工标注类别或进行人工类别标注的成本太高。很自然地,我们希望计算机能代我们完成这些工作,或至少提供一些帮助。根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题,称之为无监督学习
【NeurIPS2019】图变换网络:Graph Transformer Network
内涵网络嵌入:Content-rich Network Embedding
我爱读PAMI
4+阅读 · 2019年11月5日
KDD 18 & AAAI 19 | 异构信息网络表示学习论文解读
PaperWeekly
20+阅读 · 2019年2月25日
论文浅尝 | 区分概念和实例的知识图谱嵌入方法
开放知识图谱
17+阅读 · 2019年1月19日
网络表示学习综述:一文理解Network Embedding
PaperWeekly
33+阅读 · 2018年8月14日
半监督多任务学习:Semisupervised Multitask Learning
我爱读PAMI
18+阅读 · 2018年4月29日
图上的归纳表示学习
科技创新与创业
22+阅读 · 2017年11月9日
Arxiv
4+阅读 · 2019年1月14日
dynnode2vec: Scalable Dynamic Network Embedding
Arxiv
13+阅读 · 2018年12月6日
VIP会员
相关VIP内容
相关资讯
【NeurIPS2019】图变换网络:Graph Transformer Network
内涵网络嵌入:Content-rich Network Embedding
我爱读PAMI
4+阅读 · 2019年11月5日
KDD 18 & AAAI 19 | 异构信息网络表示学习论文解读
PaperWeekly
20+阅读 · 2019年2月25日
论文浅尝 | 区分概念和实例的知识图谱嵌入方法
开放知识图谱
17+阅读 · 2019年1月19日
网络表示学习综述:一文理解Network Embedding
PaperWeekly
33+阅读 · 2018年8月14日
半监督多任务学习:Semisupervised Multitask Learning
我爱读PAMI
18+阅读 · 2018年4月29日
图上的归纳表示学习
科技创新与创业
22+阅读 · 2017年11月9日
微信扫码咨询专知VIP会员