.png){kind=icon}
返回
Graphlet-based self-supervised model for topological network alignment
.png){kind=icon}
PRE
AI
DOI：10.1007/s41109-026-00779-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
网络对齐旨在识别跨图的对应节点，当结构信号较弱或嘈杂时，这项任务具有挑战性。现有的基于优化的方法提供了高精度，但不具有良好的扩展性，而基于嵌入的方法虽然高效，但往往不够精确。我们提出了SST-Align，一种结合两种范式优势的混合对齐框架：拓扑驱动的初始化后跟自监督表示学习。在六个真实数据集上，SST-Align实现了与强图对齐基线相当或更优的节点映射精度。在结构噪声增加的情况下，SST-Align保持稳健，通常与非预训练方法的性能相当。我们进一步证明，通过一个简单的扩展将节点类型感知纳入其中，SST-Align可以推广到异构网络。
Keyword:
Self-supervised learning
Graph alignment
Graphlets features
Topology-based matching
期刊
A
IF:
1.5
论文数:
65
被引数:
1.3K
机构
引用论文
暂无论文信息