Informationtitle：Masked Graph Convolutional Networkauthors：Liang Yang, Fan Wu, Yingkui Wang, Junhua Gu and Yuanfang Guo AbstractSemi-supervised classification is a fundamental technology to process the structured and unstruc- tured data in machine learning field. The tradi- tional attribute-graph ba ...

Informationtitle：DANE: Domain Adaptive Network Embeddingauthors：Yizhou Zhang， Guojie Song， Lun Du， Shuwen Yang and Yilun Jin AbstractHowever, as previous methods usually focus on learning embeddings for a single network, they can not learn representations transferable on multiple networks. Hence, it ...

前言本次介绍的论文来自 IJCAL 2019。作者研究的问题是：用于内容丰富（content-rich）网络的网络嵌入。对于内容丰富网络的嵌入，其核心问题是学习和整合由网络结构和节点内容所携带的语义信息。 在该论文中，作者提出了一种端到端的模型，Dual GEnerative Network Embedding（DGENE），来利用网络结构和节点内容的补充信息。在该模型中，每一个顶点被视为一个带有两种模态的对象：node identity 和 textual content。然后作者制定了两种生成任务，一个是 Node Identification(NI) ，其给定节点内容识别节点的身份，另一 ...

Classifying and Counting with Recurrent Contexts简介  分类和量化（计数）是两个不同但又紧密相关的数据挖掘任务。它们可以相互获益。我们可以通过分类和计数每一个样本来量化样本。相反，我们也可以使用量化结果来调整分类的决策阈值，来改善具有不同类分别的应用中的分类准确度。   这篇论文中，作者假设：（1）数据可以被（近似）描述为一系列反复出现的概念（context） （2）尽管一些潜在的因素会造成概念漂移，但可观测变量的更小的集合和这些潜在因素是相关的。（3）在训练期间可用的变量，作者并不假设其在之后也可用。作者 ...

Introduction  在这篇综述中，作者对图神经网络做了全面的概述。作者提出了一种新的分类，将图神经网络分为五类，分别是：图卷积网络，图注意力网络，图自动编码器，图生成网络和图时空网络（graph spatial-temporal networks）。作者对这些分类之内或之外的方法做了彻底的评论，比较和总结。然后，作者介绍了图神经网络广泛的应用，总结了关于图神经网络的数据集，开源代码和基准。最后，作者关于图神经网络的未来方向给出了建议。   原文地址 Categorization and Frameworks  图卷积网络在捕捉 ...

介绍  原文地址   NE（network embedding）的中心思想是找到一种映射函数，可以将网络中的每一个节点转换为一个低维潜在表示。这些表示可以作为特征，用于在图上的一般任务，如分类，聚类，链路预测和可视化。   目标： 适应性。 真正的网络在不断演化。不应要求重复学习过程。 可扩展。 真正的网络通常很巨大，因此网络嵌入算法应该在短时间内处理大规模的网络。 社区感知。 潜在表示之间的距离应该用以表示对应的节点之间的相似性度量。 低维。 当标注数据稀缺时，低维模型泛化的更好，并能加速收敛和推理。 连 ...

Introduction  原文地址   图是一种建模一组节点和它们之间关系的数据结构。近来，使用机器学习分析图的研究受到了越来越多的关注，因为图具有强大的表达能力，比如，图可以被应用在大量种类的系统中，包括社会科学（社交网络），自然科学（物理系统，蛋白质交互网络），知识图和其他研究领域。作为一种独特的非欧几里得的数据结构，对于机器学习来说，图分析集中在节点分类，链路预测和聚类。图神经网络（GNNs）是基于深度学习的方法，其在图域上操作。因为其令人信服的表现和高可解释性，GNN已经成为了广泛应用的图分析方法。  Motivations ...

简介  分类和量化（计数）是两个不同但又紧密相关的数据挖掘任务。它们可以相互获益。我们可以通过分类和计数每一个样本来量化样本。相反，我们也可以使用量化结果来调整分类的决策阈值，来改善具有不同类分别的应用中的分类准确度。   这篇论文中，作者假设：（1）数据可以被（近似）描述为一系列反复出现的概念（context） （2）尽管一些潜在的因素会造成概念漂移，但可观测变量的更小的集合和这些潜在因素是相关的。（3）在训练期间可用的变量，作者并不假设其在之后也可用。作者研究的是：在具有验证延迟的非稳态环境，如何准确地识别数据样本正确的上下文，同时估计正类的比例。 ...

摘要  概念漂移是指动态改变的环境中，数据的分布随着时间发生变化这一现象。概念漂移主要是指，在线监督学习场景中，输入数据和目标变量的关系随着时间发生变化。对概念漂移通常的假设是其发生不可期望也不可预测。   这篇论文描述了自适应学习过程（在线更新预测模型以对概念漂移做出反应），对现有的处理概念漂移的策略分类，概述了最具有代表性，最独特，最受欢迎的技术和算法，讨论了自适应算法的评估方法学，并且提出了一系列阐述用例。这篇调查以一种整合的方式报道了现有的分散的最佳算法中概念漂移的不同面。   论文地址 ADAPTIVE LEARNING A ...

简介  之前许多方法基于这样的假设，产生流数据的过程是静态的，数据是从某一个固定未知的概率分布产生的。但这个假设不仅是简单的也不是正确的。产生数据流的潜在过程可被某种非静态（演化或漂移）的现象刻画。这篇论文主要是对处理概念漂移问题而提出来的方法做一次全面的概述。作者从两个核心视角对非静态环境中学习的问题做描述：主动和被动方法。此外，这篇文献还覆盖了从初始有标注非静态环境学习，从类被不平衡的非静态环境中学习这两类问题的最新的研究。   论文地址   作者行文组织如下： 形式化在非静态环境中学习用于分类任务的过程，提出可以归入非静态环境 ...