首页/论文/2002.01910

arXiv 2002.019102020-02cs.LGcs.SIstat.ML

FastGAE: Scalable Graph Autoencoders with Stochastic Subgraph Decoding

Deezer Research（Deezer研究院）；LIX, École Polytechnique（巴黎综合理工学院LIX实验室）

Guillaume Salha, Romain Hennequin, Jean-Baptiste Remy, Manuel Moussallam, Michalis Vazirgiannis

备注：: Accepted for publication in Elsevier's Neural Networks journal

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

英文摘要相关论文

英文摘要：

Graph autoencoders (AE) and variational autoencoders (VAE) are powerful node embedding methods, but suffer from scalability issues. In this paper, we introduce FastGAE, a general framework to scale graph AE and VAE to large graphs with millions of nodes and edges. Our strategy, based on an effective stochastic subgraph decoding scheme, significantly speeds up the training of graph AE and VAE while preserving or even improving performances. We demonstrate the effectiveness of FastGAE on various real-world graphs, outperforming the few existing approaches to scale graph AE and VAE by a wide margin.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

ReGAE: Graph autoencoder based on recursive neural networks

Billennium（比伦尼姆公司）；University of Technology（理工大学）

Invertible transformation of large graphs into fixed dimensional vectors (embeddings) remains a challenge. Its overcoming would reduce any operation on graphs to an operation in a vector space. However, most existing methods are limited to graphs with tens of vertices. In this paper we address the above challenge with recursive neural networks - the encoder and the decoder. The encoder network transforms embeddings of subgraphs into embeddings of larger subgraphs, and eventually into the embedding of the input graph. The decoder does the opposite. The dimension of the embeddings is constant re…

2022-07-11cs.LG

动态图中感知信息子图的掩码自编码器

Informative Subgraphs Aware Masked Auto-Encoder in Dynamic Graphs

Hangzhou Dianzi University（杭州电子科技大学）；Tianjin University（天津大学）

针对动态图MAE研究匮乏、随机掩码易丢失演化关键时空信息的问题，提出DyGIS模型，通过约束概率生成模型获取信息子图作为DGMAE输入，在11个数据集多任务上达SOTA性能。

2024-09-14cs.LG

DPGAN：一种用于图中缺失数据填补的双路径生成对抗网络

DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs

Hong Kong Polytechnic University（香港理工大学）；National University of Singapore（新加坡国立大学）；Kyushu University（九州大学）；University of Alberta（阿尔伯塔大学）；University of Tokyo（东京大学）

提出DPGAN双路径生成对抗网络框架，通过全局与局部表示及局部子图判别器，有效解决图数据缺失填补中的过平滑问题。

2024-04-26cs.LG

NESS：从静态子图学习节点嵌入

NESS: Node Embeddings from Static SubGraphs

AstraZeneca（阿斯利康）

提出NESS框架，通过图自编码器在直推式设置下将图划分为多个静态稀疏子图并聚合节点表示，结合可选对比学习，在多数据集链路预测任务上取得最先进结果。

2023-05-23cs.LG

Hi-GMAE：分层图掩码自编码器

Hi-GMAE: Hierarchical Graph Masked Autoencoders

Sangfor Technologies Inc.（深之蓝科技有限公司）；Wuhan University（武汉大学）；The University of Melbourne（墨尔本大学）；Dalian Maritime University（大连海事大学）；Macquarie University（麦考瑞大学）；Wuhan University, Wuhan University Shenzhen Research Institute（武汉大学深圳研究院）

本文提出Hi-GMAE，一种多尺度图掩码自编码器，通过构建多尺度图层次结构，解决单尺度GMAE无法捕捉图的层次结构问题，实验表明其在17个图数据集上优于29种现有自监督方法。

2026-03-18cs.LG

Position-Aware Subgraph Neural Networks with Data-Efficient Learning

Shanghai Jiao Tong University（上海交通大学）

Data-efficient learning on graphs (GEL) is essential in real-world applications. Existing GEL methods focus on learning useful representations for nodes, edges, or entire graphs with ``small'' labeled data. But the problem of data-efficient learning for subgraph prediction has not been explored. The challenges of this problem lie in the following aspects: 1) It is crucial for subgraphs to learn positional features to acquire structural information in the base graph in which they exist. Although the existing subgraph neural network method is capable of learning disentangled position encodings, …

2022-12-08cs.LG

更多相关论文收起更多论文

全局图反事实解释：一种子图映射方法

Global Graph Counterfactual Explanation: A Subgraph Mapping Approach

University of Virginia（弗吉尼亚大学）；Case Western Reserve University（凯斯西储大学）；JP Morgan Chase & Co.（摩根大通公司）；University of Georgia（佐治亚大学）

针对局部图反事实解释信息过载、忽视跨图关系的问题，提出GlobalGCE，通过学习子图映射规则生成全局反事实解释，并设计生成器与自编码器提升规则生成效果。

2024-10-25cs.LG

重新审视图自编码器作为隐式对比学习器

Revisiting Graph Autoencoders as Implicit Contrastive Learners

Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University（教育部多媒体可信感知与高效计算重点实验室，厦门大学）；Coupang Shanghai China（Coupang上海）；Sun Yat-sen University（中山大学）；Nanyang Technological University（南洋理工大学）

本文通过对比学习视角重新审视图自编码器，揭示其隐式对比学习本质，并强调对比视图设计的关键作用，提出非对称子图视图作为重要设计维度。

2026-05-27cs.AIcs.LGstat.ML

通过生成式方法探索图表示学习中的任务统一

Exploring Task Unification in Graph Representation Learning via Generative Approach

Renmin University of China（中国人民大学）；Kuaishou Technology（快手科技）；University of Chinese Academy of Sciences（中国科学院大学）；Beihang University（北京航空航天大学）

提出统一的对抗掩码自编码器GA^2E，以子图作为元结构并采用“先生成后判别”机制，通过对抗训练确保图表示鲁棒性，在21个数据集上验证了其对四类图任务的无缝泛化能力。

2024-03-21cs.AIcs.LG

面向具有缺失邻居信息的联邦图神经网络的共形预测

Conformal Prediction for Federated Graph Neural Networks with Missing Neighbor Information

University of Southern California（南加州大学）；DEVCOM Army Research Office（DEVCOM陆军研究办公室）

本文针对联邦图学习中缺失邻居信息影响模型可靠性的问题，提出基于变分自编码器重建缺失邻居的共形预测方法，在保证覆盖率的同时获得更小的预测集。

2024-10-17cs.LG

图自编码器表示学习的贡献及其在音乐推荐中的应用

Contributions to Representation Learning with Graph Autoencoders and Applications to Music Recommendation

Institut Polytechnique de Paris（巴黎理工学院）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Tsinghua University（清华大学）；INRIA（法国国家信息与自动化研究所）；DeepMind；Deezer

本论文改进图自编码器（GAE/VGAE），解决可扩展性、有向图、动态图、复杂性和社区检测问题，并在Deezer音乐推荐中验证了提升社区检测、冷启动排序和跨文化流派建模的效果。

2025-06-18cs.IRcs.LGcs.SI

UMGAD：无监督多路图异常检测

UMGAD: Unsupervised Multiplex Graph Anomaly Detection

Faculty of Information Science and Engineering（信息科学与工程学院）；College of Computer Science and Engineering（计算机科学与工程学院）；Department of Computer Science and Engineering（计算机科学与工程系）；Department of Computer Science（计算机科学系）

本文提出UMGAD方法，通过多关系学习、图掩码自编码器重建和对比学习捕获多路异构图中的节点异常，并设计无监督阈值选择策略，在六个数据集上显著优于现有方法。

2025-04-09cs.LG