【摘 要】
：
网络作为一种非欧式数据结构在现实世界中非常常见,例如表示论文之间引用关系的引文网络,表征用户之间的关系的社交网络,生物学中蛋白质分子网络等。近些年,深度学习由于其优异的特征提取性能成为了热门研究课题,而基于图深度神经网络的网络表示学习方法也逐渐成为图分析研究领域的主流方法。其中基于图自编码器的无监督网络表示学习方法是非常一种经典且常见的方法。当前基于图自编码器的方法通常只有一个解码器和一个编码器,
论文部分内容阅读
网络作为一种非欧式数据结构在现实世界中非常常见,例如表示论文之间引用关系的引文网络,表征用户之间的关系的社交网络,生物学中蛋白质分子网络等。近些年,深度学习由于其优异的特征提取性能成为了热门研究课题,而基于图深度神经网络的网络表示学习方法也逐渐成为图分析研究领域的主流方法。其中基于图自编码器的无监督网络表示学习方法是非常一种经典且常见的方法。当前基于图自编码器的方法通常只有一个解码器和一个编码器,但是现实的网络数据往往是非常复杂的,可能含有多个视角和节点属性。因此这种单一的解码器或者编码器的设计无法充分地挖掘原始数据中的信息。本文研究和总结之前方法,给出一种多端图自编码器的网络表示学习框架,该框架包含两个模型,主要内容如下:（1）针对单视角属性图,提出了一种双解码器的多端图自编码器模型,用于属性图嵌入。该模型首先将图的拓扑结构和节点属性嵌入到一个紧凑的低维表示中,然后训练两个解码器同时分别重构节点属性和图结构。（2）针对多视角图,提出了一种“全到全”的多端图自编码器模型。该模型先利用多视角编码器学习特定于视图的嵌入,然后通过注意力语义模块融合多视角的嵌入,最后训练多视角解码器重构图结构和属性。本文所给出框架的两个模型的有效性在真实数据集的大量实验中得到验证。模型与其他基准方法相比在链路预测,节点聚类,图片聚类等实验中取得更好的结果。
其他文献
融资市场集资预测一直是金融领域的一个热点研究课题,如融资市场中众筹活动的集资表现预测和众筹活动集资周期的预测。融资市场类别多种多样,如教育融资和创业融资等,很多科研人员针对特定融资市场做了相关集资预测研究。在教育类融资市场中,传统的算法更多的是利用历史数据和经验方法,这些传统的实证分析方法不能有效利用到现实生活中的社交关系和融资信息,很难精确地挖掘融资市场中众筹活动的融资能力。所以本文提出基于深度
人手的姿势复杂多变,极小的手势形变就包含了丰富的信息,并且同一个人做出同一种手势,动作也不尽相同,这些都加大了手势检测的难度。手势识别是人机交互的关键技术,并且在很多的领域都有重要的应用。近年来基于深度学习的手势检测与识别技术发展迅猛,但是由于手势检测与识别容易受到光线变化和手势阴影等影响,因此面临着巨大的挑战。本文针对手势检测和识别任务的问题和挑战展开了如下研究:（1）为了解决传统方法难以应对手
在车载网络系统中,信息传播离不开车辆与基础设施之间的交互。然而,交互过程常常受到恶意第三方的破坏,严重时可能威胁到驾驶者的生命安全,因此保护车辆相关信息以实现安全、高效的交互非常重要。信任机构通常在车载网络中扮演关键角色,需要与多个车辆进行交互。当信任机构向多辆车发送相同的消息时,需要与每辆车协商并发送不同的密文,存在冗余加密问题。尤其是在传输大量消息时,冗余加密问题会更加严重。同时,由于冗余操作
随着科技的发展,人们获取和存储照片、视频的成本变得越来越低,而照片与视频中的人脸信息往往是人们关注的重点之一。因此,探索一种有效且高效地处理海量人脸信息的算法模型具有十分重要的研究价值和意义。人脸聚类是一种挖掘未标记人脸数据的方法。然而,由于人脸数据的规模非常庞大且特征分布十分复杂,导致一些传统聚类分析算法在处理这些真实人脸数据时表现较差。最近的研究通过使用图卷积网络（GCNs,Graph Con
显著目标检测是计算机视觉领域中的一个重要研究课题,旨在研究人类视觉注意机制,利用算法模拟注意机制来检测图像中的显著目标。显著目标检测不仅推动了机器学习和人工智能等领域的理论研究,也成为很多工程应用如无人驾驶、人机交互中重要的解决方案。然而在一些特殊场景下,如前景和背景相似、复杂场景等,从可见光图像中准确地分割出显著目标非常困难,因此当下很多研究者将其他模态的信息引入显著目标检测任务,即多模态显著目
随着越来越多的移动设备走进人们的生活,其产生的数据每年都在急剧地增长。数据聚合作为互联网中处理数据并进行决策性计算一项重要的技术,其通过云服务器对用户数据进行收集和分析,从而做出智能决策。然而,数据的收集可能涉及到用户隐私的问题。虽然目前已提出不少隐私保护数据聚合方案,但大多数方案采用了公钥同态密码机制,此类方案不仅计算成本高,而且资源开销也大。此外,由于移动设备质量的差异,不同用户提供的数据存在
逻辑回归是机器学习中一种基本的二分类方法,在各种现实场景中有着广泛的应用。实践中,为了获得更好的分类效果,通常需要从多个来源收集大量样本来进行模型训练。这不可避免地导致训练样本中所包含的个人隐私信息的泄漏。针对这个问题,越来越多的研究开始致力于设计能够实现隐私保护的逻辑回归训练方案。目前,一些工作给出了适用于不同数据集分布场景的方案,使用这些方案可以在一定程度上保护训练过程中用户数据的隐私性。然而
异常检测旨在研究如何发现数据中不符合预期正常行为的模式和对象。通过对不同领域中异常模式或对象的分析和研究,有助于深入理解该领域的正常行为,及时发现其中的异常行为和模式,具有重要的研究意义和广泛的应用价值。在实际应用中,由于人工标注样本标签的代价高昂或难度较大,使得人们需要处理的对象数据往往是只有少量独立类标签或约束信息的半监督数据形式。为此,基于半监督学习的数据挖掘方法受到越来越多的关注。如何利用
聚类是机器学习中的一个重要而基础的技术,是分析和处理多变量数据的重要方法,被得到广泛应用。但是单一的聚类算法无法处理所有数据,因此存在稳定性和鲁棒性的问题。为了解决这个问题,聚类集成方法应运而生。聚类集成通过集成多个弱的基聚类结果,得到一个更鲁棒,更稳定的聚类结果。虽然聚类集成已经取得了良好的效果,但是传统的聚类集成算法通常采用较弱的基聚类算法,容易导致基聚类结果不可靠。而且已有的算法往往将各个基
智能交通时代,通过摄像头监控车辆动态并进行监督已经是必不可少的车辆管理方式,摄像头监管车辆的一项重要技术就是车牌检测识别技术,它可以快速便捷的通过机动车辆车前车后的标准车牌确认车辆身份。但是对于一些大型车辆,监控视角受限以及标准车牌的磨损严重、污渍附着等问题使得摄像头无法拍摄到合适的标准车牌,车牌的检测识别技术难以获得准确的识别结果,于是本文通过研究非标车牌的检测识别来解决此问题。非标车牌与标准车