发现有价值的观点，记录自己的思考。
链路预测最开始是一个无监督学习任务，即根据已经看到的网络结构（或者其他属性信息）来推断未知连边是否存在，但是这样的话就比较难以验证。只有在动态网络（或称时序网络）中才会有这样的数据以供实验验证，可以用前一段时间的网络结构来预测后一段时间的网络结构。然而，很多网络没有时间信息. 后来，学者提出了用有监督的方式来进行链路预测，也就是将其视为二分类任务，将网络中存在的边都视为正样本（即正边），不存在的连边都当作负样本（即负边）。然后，将这些边分为两部分，一部分为训练集，一部分为测试集。训练集和测试集中都包含正边和...
分享一篇论文：这篇论文提出了一种融合节点属性的半监督社团检测算法(SCDAN),基于非负矩阵分解模型,将网络拓扑、节点属性与半监督信息有效地融合在统一的目标函数中,实现了结构与内容信息、半监督与属性信息的互补。其次,推导出目标函数对应的更新规则,利用KKT条件优化目标函数,进而得到较为准确的社团检测结果。并用实验验证了网络结构、节点属性与半监督信息三者均对社团检测结果有不同程度的提升。最后,在真实数据集上对模型进行验证,与多种对比算法进行比较分析,证明SCDAN算法在社团检测的准确度和稳定性上具有优越性。并...
影响力最大化基础知识讲解： https://www.youtube.com/watch?v=hstYPmdW8PU
Learning on Graphs Conference（LoG）会议，区别于NeurIPS，ICML和ICLR等学术会议，这个新举办的会议接收的投稿都与图&几何机器学习相关。作为第一届举办的会议，Log 2022一共接收了 83 篇文章，包括 12 篇spotlight和 71 篇poster文章。 这是一个致力于图学习的新会议主要是针对图机器学习的研究。会议的组织着和顾问委员会基本上是由图学习领域的权威专家组成的。 完整版 LOG 2022 Conference | OpenReview Node ...
摘要 对比学习链路预测框架PLNLP，由四个主要部分组成，即邻域编码器、链路预测器、负采样器和目标函数。 任何通用图神经卷积，如GCN[Kipf and Welling，2016a]和SAGE[Hamilton et al.，2017]，或链接预测特定的神经架构，如SEAL[Zhang and Chen，2018]、NANs[Wang et al.、2020]和HalpNet[Wang等人，2021]，都可以用作邻域编码器 对于链接预测器，我们设计了不同的评分函数，可以根据不同类型的图进行选择。 在负采样...
勾选本次任务使用的技能（最多 3 个）· 技能只提供任务指引。
联网追踪热点，查找站内内容，
将发现整理成你的下一篇笔记。