.png){kind=icon}
返回
Unsupervised multiplex graph representation learning via maximizing coding rate reduction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.111557.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无监督多路图表示学习（UMGRL）因其无需标签即可提取判别性和一致性表示的有效性而受到越来越多的关注。然而，现有方法忽略了提取表示的多样性，导致结果次优。为解决上述局限性，本文提出了一种统一框架，用于同时提取UMGRL的判别性、多样性和一致性表示。为此，我们首先采用带有局部保持损失的多层感知器编码器提取高质量表示，然后基于编码率引入两项约束，以约束表示的多样性、判别性和一致性。为验证所提模型的有效性，进行了全面实验。结果表明，在四个公开基准数据集上，针对三个不同的下游任务，我们的方法优于十四种现有方法。代码可在https://github.com/OllieWangx/D2CMG获取。
Keyword:
Multiplex graph
Graph representation learning
Unsupervised learning
Coding rate reduction
期刊
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
Interpretable learning based Dynamic Graph Convolutional Networks for Alzheimer's Disease analysis基于可解释学习的动态图卷积网络用于阿尔茨海默病分析.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏分享收藏
查看更多内容