littlefatguy的博客

标题： A Comprehensive Survey on Community Detection with Deep Learning（基于深度学习的社区检测研究综述）作者团队： 麦考瑞大学计算机学院苏兴摘要： 检测网络中的社区是辨别一组成员的不同特征和联系的问题，这些特征和联系与其他社区中的成员不同。执行此操作的能力在网络分析中具有重要意义。然而，除了经典的光谱聚类和统计推理方法之外，近年来用于社区检测的深度学习技术也取得了重大发展，尤其是在处理高维网络数据时。

为了处理图的异构性，文章引入了依赖于节点和边类型的注意力机制，HGT中的异构相互注意不是参数化每种类型的边，而是通过基于其元关系三元组分解每个边。

DeepMAPS是一个深度学习框架，实现了异构图表示学习和图转换器，用于从scMulti-omics数据中研究生物网络。通过构建包含细胞和基因的异构图，DeepMAPS可以同时识别它们的联合嵌入，并能够在完整的框架中推断细胞类型特异性生物网络以及细胞类型。此外，应用异构图转换器将细胞-基因关系建模为可解释的统一多关系。通过这种方式，可以大大缩短图中的训练和学习过程，从而从更远的距离考虑细胞的影响。

大量现实世界的图或网络本质上是异构的，涉及各种节点类型和关系类型。异构图嵌入是将异构图丰富的结构信息和语义信息嵌入到低维节点表示中。现有模型通常在异构图中定义多个元路径来捕获复合关系并指导邻居选择。然而，这些模型要么忽略节点内容特征，要么丢弃元路径中的中间节点，要么只考虑一个元路径。为了解决这三个限制，我们提出了一种新的模型，称为元路径聚合图神经网络(MAGNN)，以提高最终性能。