.png){kind=icon}
返回
Multi-level contrastive learning for exploring graphs with higher-order dependencies in sequential data
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02102-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图嵌入技术通过基于图拓扑将节点映射到低维空间，同时保留它们的邻近性，已经引起了广泛关注。传统方法通常假设马尔可夫属性，从而忽略了高阶依赖关系。此外，大多数基于图神经网络的方法需要大量标注数据，而这类数据通常稀缺且获取成本高。为解决这些挑战，我们提出了高阶对比图嵌入（HOCGE），这是一种新颖的自监督图嵌入框架，能够同时建模一阶结构和高阶依赖关系。具体而言，HOCGE通过从序列数据构建高阶网络来学习节点表示，借助高级随机游走捕获复杂的节点关系。通过设计多级对比学习机制，HOCGE在嵌入空间中将一阶和高阶网络中相似节点间的距离缩小。这种自监督方法通过利用数据的内在结构，缓解了数据稀缺的问题，降低了标注数据的依赖性。在包括链路预测、节点分类和可视化在内的各种基准测试上的全面实验表明，HOCGE在性能、鲁棒性和泛化能力方面均表现优异。
Keyword:
Higher-order dependency
Network embedding
Contrastive learning
Self-supervised learning
Sequential data
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
Memory in network flows and its effects on spreading dynamics and community detection网络流中的记忆及其对传播动力学和社区发现的影响.png)
NATURE COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions走向下一代推荐系统: 对最新技术和可能扩展的调查
PREAI
分享收藏Causality-driven slow-down and speed-up of diffusion in non-Markovian temporal networksNATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏Hypergraph network model for nested entity mention recognition嵌套实体提及识别的超图网络模型NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Finite-time quasi-synchronization of multi-layer heterogeneous networks with distributed hybrid controlNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容