.png){kind=icon}
返回
MND-C: a contrastive self-supervised framework for missing node detection in graphs
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-07908-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在实际场景中，网络结构在获取完整网络数据时往往面临困难，这主要是由统计误差和访问权限设置等约束造成的。因此，网络补全技术在图挖掘和知识图谱推理等领域的应用具有重大的研究意义。本文针对网络中部分缺失节点的链接丢失的情况，提出了一种基于自监督对比学习的缺失节点检测方法MND-C。该方法整合了一种基于自监督对比学习的节点表示学习框架，通过最大化两个正节点的相似性来学习节点表示，无需构建特定的神经网络架构。此外，该方法将中心节点的邻域子图作为模型输入样本，并利用节点的局部邻域信息执行缺失节点检测任务。在多个真实数据集上的实验表明，MND-C在缺失节点检测任务中具有较高的可行性和有效性。
Keyword:
Missing node detection
Graph neural networks
Graph self-supervised learning
Contrastive learning
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
Missing nodes detection on graphs with self-supervised contrastive learning基于自监督对比学习的图缺失节点检测.png)
IF0
PREAI
分享收藏AGCL: Adaptive Graph Contrastive Learning for graph representation learningAGCL: 用于图表示学习的自适应图对比学习NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Introducing new node prediction in graph mining: Predicting all links from isolated nodes with Graph Neural Networks在图挖掘中引入新的节点预测: 使用图神经网络预测来自孤立节点的所有链接NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏IMCSN: An improved neighborhood aggregation interaction strategy for multi-scale contrastive Siamese networksPATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容