:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Zheng, Ye, Xiaojun, Wang, Chaokun, Cui, Jian, Yu, Philip S.
Format:	Preprint
Veröffentlicht:	2020
Schlagworte:	Machine Learning Social and Information Networks
Online-Zugang:	https://arxiv.org/abs/2007.03545
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Cluster-guided Contrastive Class-imbalanced Graph Classification
von: Ju, Wei, et al.
Veröffentlicht: (2024)

Non-Euclidean Mixture Model for Social Network Embedding
von: Iyer, Roshni G., et al.
Veröffentlicht: (2024)

Discovering Communication Pattern Shifts in Large-Scale Labeled Networks using Encoder Embedding and Vertex Dynamics
von: Shen, Cencheng, et al.
Veröffentlicht: (2023)

Virtual Node Generation for Node Classification in Sparsely-Labeled Graphs
von: Cui, Hang, et al.
Veröffentlicht: (2024)

NoisyGL: A Comprehensive Benchmark for Graph Neural Networks under Label Noise
von: Wang, Zhonghao, et al.
Veröffentlicht: (2024)

Differences-in-Neighbors for Network Interference in Experiments
von: Peng, Tianyi, et al.
Veröffentlicht: (2025)

LEGO-Learn: Label-Efficient Graph Open-Set Learning
von: Xu, Haoyan, et al.
Veröffentlicht: (2024)

Understanding the Robustness of Graph Neural Networks against Adversarial Attacks
von: Wu, Tao, et al.
Veröffentlicht: (2024)

IntraMix: Intra-Class Mixup Generation for Accurate Labels and Neighbors
von: Zheng, Shenghe, et al.
Veröffentlicht: (2024)

Hyperedge Interaction-aware Hypergraph Neural Network
von: Ye, Rongping, et al.
Veröffentlicht: (2024)

Information Loss and Disparate Effects in Network Embeddings
von: Chuang, Gabriel, et al.
Veröffentlicht: (2025)

Structure-Preference Enabled Graph Embedding Generation under Differential Privacy
von: Zhang, Sen, et al.
Veröffentlicht: (2025)

Correlation-Aware Graph Convolutional Networks for Multi-Label Node Classification
von: Bei, Yuanchen, et al.
Veröffentlicht: (2024)

NetInfoF Framework: Measuring and Exploiting Network Usable Information
von: Lee, Meng-Chieh, et al.
Veröffentlicht: (2024)

Unifying Structural Proximity and Equivalence for Enhanced Dynamic Network Embedding
von: Piriyasatit, Suchanuch, et al.
Veröffentlicht: (2025)

Signed Graph Autoencoder for Explainable and Polarization-Aware Network Embeddings
von: Nakis, Nikolaos, et al.
Veröffentlicht: (2024)

Joint Optimal Transport and Embedding for Network Alignment
von: Yu, Qi, et al.
Veröffentlicht: (2025)

BANGS: Game-Theoretic Node Selection for Graph Self-Training
von: Wang, Fangxin, et al.
Veröffentlicht: (2024)

GIDN: A Lightweight Graph Inception Diffusion Network for High-efficient Link Prediction
von: Wang, Zixiao, et al.
Veröffentlicht: (2022)

Towards Deeper Understanding of PPR-based Embedding Approaches: A Topological Perspective
von: Zhang, Xingyi, et al.
Veröffentlicht: (2024)

Self-Attention Empowered Graph Convolutional Network for Structure Learning and Node Embedding
von: Jiang, Mengying, et al.
Veröffentlicht: (2024)

Zoo Guide to Network Embedding
von: Baptista, Anthony, et al.
Veröffentlicht: (2023)

Path-based Explanation for Knowledge Graph Completion
von: Chang, Heng, et al.
Veröffentlicht: (2024)

Unfolded Laplacian Spectral Embedding: A Theoretically Grounded Approach to Dynamic Network Representation
von: Ezoe, Haruka, et al.
Veröffentlicht: (2025)

The Graph-Embedded Hazard Model (GEHM): Stochastic Network Survival Dynamics on Economic Graphs
von: Vallarino, Diego
Veröffentlicht: (2025)

GraphMU: Repairing Robustness of Graph Neural Networks via Machine Unlearning
von: Wu, Tao, et al.
Veröffentlicht: (2024)

Neural Common Neighbor with Completion for Link Prediction
von: Wang, Xiyuan, et al.
Veröffentlicht: (2023)

Data Augmentation for Supervised Graph Outlier Detection via Latent Diffusion Models
von: Liu, Kay, et al.
Veröffentlicht: (2023)

Variational Graph Autoencoder for Heterogeneous Information Networks with Missing and Inaccurate Attributes
von: Zhao, Yige, et al.
Veröffentlicht: (2023)

Local Graph Clustering with Noisy Labels
von: de Luca, Artur Back, et al.
Veröffentlicht: (2023)

Incorporating Heterophily into Graph Neural Networks for Graph Classification
von: Yang, Jiayi, et al.
Veröffentlicht: (2022)

Theoretical and Empirical Insights into the Origins of Degree Bias in Graph Neural Networks
von: Subramonian, Arjun, et al.
Veröffentlicht: (2024)

Heterophily-Aware Graph Attention Network
von: Wang, Junfu, et al.
Veröffentlicht: (2023)

Efficient Network Embedding by Approximate Equitable Partitions
von: Squillace, Giuseppe, et al.
Veröffentlicht: (2024)

How Low Can You Go? Searching for the Intrinsic Dimensionality of Complex Networks using Metric Node Embeddings
von: Nakis, Nikolaos, et al.
Veröffentlicht: (2025)

How Universal Polynomial Bases Enhance Spectral Graph Neural Networks: Heterophily, Over-smoothing, and Over-squashing
von: Huang, Keke, et al.
Veröffentlicht: (2024)

Disentangled Condensation for Large-scale Graphs
von: Xiao, Zhenbang, et al.
Veröffentlicht: (2024)

InfraredGP: Efficient Graph Partitioning via Spectral Graph Neural Networks with Negative Corrections
von: Qin, Meng, et al.
Veröffentlicht: (2025)

Toward Structure Fairness in Dynamic Graph Embedding: A Trend-aware Dual Debiasing Approach
von: Li, Yicong, et al.
Veröffentlicht: (2024)

The Effects of Randomness on the Stability of Node Embeddings
von: Schumacher, Tobias, et al.
Veröffentlicht: (2020)