图表示学习是2018年火爆全球的一个深度学习方向,从以 Line, meta-path 等为首的节点表示学习,到以 GCN,GraphSAGE,为首的图卷积方法,在到近期的以 GraphVAE 为首的生成图模型,图表示学习方向的文章如过江之鲫。

精品内容

【康奈尔博士论文】大规模图上准确高效的表示学习 203页
【CMU博士论文】朝着更强大的图表示学习迈进
专知会员服务
32+阅读 · 2024年12月4日
深度图异常检测:综述与新视角
专知会员服务
23+阅读 · 2024年9月19日
深度图异常检测:综述与新视角
专知会员服务
14+阅读 · 2024年9月19日
图提示学习最新综述
专知会员服务
20+阅读 · 2024年8月28日
【CMU博士论文】面向更强大的图表示学习,208页pdf
专知会员服务
41+阅读 · 2024年7月25日
《图持续学习》综述
专知会员服务
31+阅读 · 2024年2月20日
大型语言模型图表示学习:技术的全面综述
专知会员服务
51+阅读 · 2024年2月14日
ReThinklab实验室NeurIPS2023论文速览
专知会员服务
28+阅读 · 2023年12月29日
【博士论文】图表示学习的谱理论与自监督学习
专知会员服务
41+阅读 · 2023年11月30日
【博士论文】最优传输图表示学习,204页pdf
专知会员服务
45+阅读 · 2023年10月25日
【CIKM2023】基于多节点中心子图的对比表示学习
专知会员服务
22+阅读 · 2023年9月1日
参考链接
微信扫码咨询专知VIP会员