PulseAugur
中
实时 09:06:55
English(EN) Enhancing Distance-Based Graph Autoencoders with Structural Penalties for Dynamic Graph Embedding

新的图自编码器通过结构惩罚改进动态图嵌入

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了新的基于距离的图自编码器（GAE）变体，旨在通过考虑节点间的结构异质性来改进动态图嵌入。这些方法将结构惩罚纳入重构损失，特别是基于度中心性的中心节点惩罚以及源自自然社区局部内在维度（NC-LID）的惩罚。实验表明，与没有结构正则化或仅有中心节点感知正则化的基线相比，集成基于NC-LID的正则化一致地提高了重构性能，突出了NC-LID作为动态图设置中GAE的有价值的结构信号。 AI

影响 增强了动态图的表示学习，可能改进链接预测和节点分类等下游任务。

排序理由 该集群包含一篇详细介绍图自编码器新方法的学术论文。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的图自编码器通过结构惩罚改进动态图嵌入

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Aleksandar Tom\v{c}i\'c, Milo\v{s} Savi\'c, Milo\v{s} Radovanovi\'c ·

    增强基于距离的图自编码器，通过结构惩罚实现动态图嵌入

    arXiv:2608.18762v1 Announce Type: new Abstract: Graph autoencoders (GAEs) are widely used for learning representations of dynamic graphs. However, their optimisation objectives typically do not take structural heterogeneity across nodes into account. We propose three distance-bas…

相关实体

相关话题