Pattern Recognition· 2026Q1
Dinamik Grafik Evrimini Yakalayan Çoklu Görünüm Tensör Ayrıştırması
Multi-View tensor factorization for dynamic attributed graph embedding with graph-aware features
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir Çoklu Görünüm Tensör Ayrıştırması (MV-TF) yöntemi, dinamik atfedilmiş grafikleri modellemek için topolojiyi, öznitelikleri ve grafik-farkındalığı olan bağlamsal özellikleri etkili bir şekilde entegre ederek düğüm sınıflandırmasında en gelişmiş yaklaşımları geride bırakmaktadır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Dinamik atfedilmiş grafik gömme için Çoklu Görünüm Tensör Ayrıştırması (MV-TF) tanıtıldı.
- Topoloji, öznitelikler ve grafik-farkındalığı olan bağlamsal özellikler paylaşılan bir gizli uzayda ortaklaşa modellendi.
- Farklı veri görünümleri arasındaki eşleşme açıkça yakalandı ve seyrek bir alt uzay kısıtlaması kullanıldı.
- Düğüm sınıflandırma görevlerinde en gelişmiş yöntemlere göre üstün performans sergilendi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Learning node representations in dynamic graphs has garnered significant attention in recent years. However, existing methods face challenges in effectively integrating topology and node attributes within individual snapshots while simultaneously capturing the evolution of graph structure and attributes across snapshots. Motivated by the above challenges, we formulate unsupervised dynamic attributed graph embedding as a coupled multi-view tensor learning problem, where topology, attributes, and graph-aware contextual features are jointly modeled by Multi-View Tensor Factorization (MV-TF) within a shared latent space. The framework explicitly models the coupling between views and incorporates a sparse subspace constraint to enhance embedding quality. Extensive experimental results on node classification tasks demonstrate that our method outperforms state-of-the-art approaches. These results highlight its ability to effectively mine the evolution patterns of dynamic graphs and provide valuable insights for related analyses.
Yazarların özeti; kaynağından alınmıştır. Pattern Recognition, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Hesaplamalı Matematik
Computational MathematicsMathematics