亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Unsupervised Graph Embedding via Adaptive Graph Learning

邻接矩阵 图嵌入 计算机科学 邻接表 图形能量 拉普拉斯矩阵 图形 嵌入 人工智能 理论计算机科学 电压图 折线图 算法
作者
Rui Zhang,Yunxing Zhang,Chengjun Lu,Xuelong Li
出处
期刊:IEEE Transactions on Pattern Analysis and Machine Intelligence [Institute of Electrical and Electronics Engineers]
卷期号:45 (4): 5329-5336 被引量:9
标识
DOI:10.1109/tpami.2022.3202158
摘要

Graph autoencoders (GAEs) are powerful tools in representation learning for graph embedding. However, the performance of GAEs is very dependent on the quality of the graph structure, i.e., of the adjacency matrix. In other words, GAEs would perform poorly when the adjacency matrix is incomplete or be disturbed. In this paper, two novel unsupervised graph embedding methods, unsupervised graph embedding via adaptive graph learning (BAGE) and unsupervised graph embedding via variational adaptive graph learning (VBAGE) are proposed. The proposed methods expand the application range of GAEs on graph embedding, i.e, on the general datasets without graph structure. Meanwhile, the adaptive learning mechanism can initialize the adjacency matrix without being affected by the parameter. Besides that, the latent representations are embedded with the Laplacian graph structure to preserve the topology structure of the graph in the vector space. Moreover, the adjacency matrix can be self-learned for better embedding performance when the original graph structure is incomplete. With adaptive learning, the proposed method is much more robust to the graph structure. Experimental studies on several datasets validate our design and demonstrate that our methods outperform baselines by a wide margin in node clustering, node classification, link prediction, and graph visualization tasks.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
4秒前
5秒前
冷傲士萧发布了新的文献求助10
7秒前
吉吉国王完成签到,获得积分10
8秒前
9秒前
10秒前
李爱国应助坚强的严青采纳,获得30
14秒前
AllenZ发布了新的文献求助10
15秒前
冷傲士萧完成签到,获得积分10
16秒前
31秒前
赘婿应助yangguang2000采纳,获得10
48秒前
慕青应助miyavi采纳,获得30
52秒前
非洲大象发布了新的文献求助10
1分钟前
汤汤完成签到 ,获得积分10
1分钟前
to完成签到 ,获得积分10
1分钟前
1分钟前
非洲大象完成签到,获得积分10
1分钟前
helpmepaper发布了新的文献求助10
1分钟前
1分钟前
yangguang2000发布了新的文献求助10
1分钟前
Jasper应助科研通管家采纳,获得10
1分钟前
Roxy驳回了orixero应助
1分钟前
冷淡芝麻完成签到 ,获得积分10
2分钟前
1111完成签到 ,获得积分10
2分钟前
2分钟前
乐乐应助Ice采纳,获得10
3分钟前
3分钟前
inRe发布了新的文献求助10
3分钟前
3分钟前
3分钟前
兴奋元冬发布了新的文献求助10
3分钟前
Roxy发布了新的文献求助10
3分钟前
yangguang2000关注了科研通微信公众号
3分钟前
3分钟前
coco发布了新的文献求助30
3分钟前
coldstork完成签到,获得积分10
3分钟前
123稻稻人完成签到,获得积分10
3分钟前
Roxy完成签到,获得积分20
3分钟前
脑洞疼应助科研通管家采纳,获得10
3分钟前
3分钟前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 890
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256896
求助须知:如何正确求助?哪些是违规求助? 2899004
关于积分的说明 8303211
捐赠科研通 2568222
什么是DOI,文献DOI怎么找? 1394953
科研通“疑难数据库(出版商)”最低求助积分说明 652925
邀请新用户注册赠送积分活动 630662