Unsupervised Graph Representation Learning Beyond Aggregated View

Unsupervised graph representation learning aims to condense graph information into dense vector embeddings to support various downstream tasks. To achieve this goal, existing UGRL approaches mainly adopt the message-passing mechanism to simultaneously incorporate graph topology and node attribute wi...

Celý popis

Podrobná bibliografie

Vydáno v:	IEEE transactions on knowledge and data engineering Ročník 36; číslo 12; s. 9504 - 9516
Hlavní autoři:	Zhou, Jian, Li, Jiasheng, Kuang, Li, Gui, Ning
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	IEEE 01.12.2024
Témata:	Benchmark testing Data mining Decoding dual-view autoencoder Encoding Graph representation learning Network topology self-supervised Synthetic data Topology topology and attribute features
ISSN:	1041-4347, 1558-2191
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!