【论文】图上的表示学习综述

2017 年 9 月 24 日 机器学习研究会
专知会员服务
48+阅读 · 2020年3月19日
【论文】图上的表示学习综述


点击上方 “机器学习研究会”可以订阅


摘要
 

转自:the2

论文《Representation Learning on Graphs: Methods and Applications》摘要:

Machine learning on graphs is an important and ubiquitous task with applications ranging from drug design to friendship recommendation in social networks. The primary challenge in this domain is finding a way to represent, or encode, graph structure so that it can be easily exploited by machine learning models. Traditionally, machine learning approaches relied on user-defined heuristics to extract features encoding structural information about a graph (e.g., degree statistics or kernel functions). However, recent years have seen a surge in approaches that automatically learn to encode graph structure into low-dimensional embeddings, using techniques based on deep learning and nonlinear dimensionality reduction. Here we provide a conceptual review of key advancements in this area of representation learning on graphs, including matrix factorization-based methods, random-walk based algorithms, and graph convolutional networks. We review methods to embed individual nodes as well as approaches to embed entire (sub)graphs. In doing so, we develop a unified framework to describe these recent approaches, and we highlight a number of important applications and directions for future work.


链接:

https://arxiv.org/abs/1709.05584


原文链接:

https://m.weibo.cn/2536116592/4155504433859376

“完整内容”请点击【阅读原文】
↓↓↓



登录查看更多
9

相关内容

表示学习是通过利用训练数据来学习得到向量表示,这可以克服人工方法的局限性。 表示学习通常可分为两大类,无监督和有监督表示学习。大多数无监督表示学习方法利用自动编码器(如去噪自动编码器和稀疏自动编码器等)中的隐变量作为表示。 目前出现的变分自动编码器能够更好的容忍噪声和异常值。 然而,推断给定数据的潜在结构几乎是不可能的。 目前有一些近似推断的策略。 此外,一些无监督表示学习方法旨在近似某种特定的相似性度量。提出了一种无监督的相似性保持表示学习框架,该框架使用矩阵分解来保持成对的DTW相似性。 通过学习保持DTW的shaplets,即在转换后的空间中的欧式距离近似原始数据的真实DTW距离。有监督表示学习方法可以利用数据的标签信息,更好地捕获数据的语义结构。 孪生网络和三元组网络是目前两种比较流行的模型,它们的目标是最大化类别之间的距离并最小化了类别内部的距离。
专知会员服务
48+阅读 · 2020年3月19日
专知会员服务
47+阅读 · 2020年3月16日
图神经网络表达能力的研究综述,41页pdf
专知会员服务
134+阅读 · 2020年3月10日
【综述】金融领域中的深度学习,附52页论文下载
专知会员服务
127+阅读 · 2020年2月27日
2019->2020必看的十篇「深度学习领域综述」论文
专知会员服务
234+阅读 · 2020年1月1日
深度学习视频中多目标跟踪:论文综述
专知会员服务
75+阅读 · 2019年10月13日
强化学习最新教程,17页pdf
专知会员服务
90+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
51+阅读 · 2019年10月10日
异常检测论文大列表:方法、应用、综述
专知
100+阅读 · 2019年7月15日
图数据表示学习综述论文
专知
36+阅读 · 2019年6月10日
无监督元学习表示学习
CreateAMind
22+阅读 · 2019年1月4日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
【推荐】深度学习情感分析综述
机器学习研究会
56+阅读 · 2018年1月26日
【推荐】RNN最新研究进展综述
机器学习研究会
23+阅读 · 2018年1月6日
【论文】深度学习的数学解释
机器学习研究会
9+阅读 · 2017年12月15日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
31+阅读 · 2017年12月10日
【论文】变分推断(Variational inference)的总结
机器学习研究会
25+阅读 · 2017年11月16日
Arxiv
8+阅读 · 2019年5月20日
Arxiv
4+阅读 · 2019年4月17日
Arxiv
4+阅读 · 2017年4月12日
Arxiv
7+阅读 · 2014年6月27日
小贴士
相关VIP内容
专知会员服务
48+阅读 · 2020年3月19日
专知会员服务
47+阅读 · 2020年3月16日
图神经网络表达能力的研究综述,41页pdf
专知会员服务
134+阅读 · 2020年3月10日
【综述】金融领域中的深度学习,附52页论文下载
专知会员服务
127+阅读 · 2020年2月27日
2019->2020必看的十篇「深度学习领域综述」论文
专知会员服务
234+阅读 · 2020年1月1日
深度学习视频中多目标跟踪:论文综述
专知会员服务
75+阅读 · 2019年10月13日
强化学习最新教程,17页pdf
专知会员服务
90+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
51+阅读 · 2019年10月10日
相关资讯
异常检测论文大列表:方法、应用、综述
专知
100+阅读 · 2019年7月15日
图数据表示学习综述论文
专知
36+阅读 · 2019年6月10日
无监督元学习表示学习
CreateAMind
22+阅读 · 2019年1月4日
vae 相关论文 表示学习 1
CreateAMind
12+阅读 · 2018年9月6日
【推荐】深度学习情感分析综述
机器学习研究会
56+阅读 · 2018年1月26日
【推荐】RNN最新研究进展综述
机器学习研究会
23+阅读 · 2018年1月6日
【论文】深度学习的数学解释
机器学习研究会
9+阅读 · 2017年12月15日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
31+阅读 · 2017年12月10日
【论文】变分推断(Variational inference)的总结
机器学习研究会
25+阅读 · 2017年11月16日
Top
微信扫码咨询专知VIP会员