个性化子图联邦学习 paper:Personalized Subgraph Federated Learning code Abstract 更大的全局图的子图可能分布在多个设备上，并且由于隐私限制只能在本地访问，尽管子图之间可能存在链接。最近提出的子图联邦学习(FL)方法通过在局部子图上分布式训练图神经网络(gnn)来处理局部子图之间的缺失链接。然而，他们忽略了由全局图的不同社区组成的子图之

论文链接 论文工作简介 知识图谱中关系预测的主要范式涉及实体和关系的潜在表示(即嵌入)的学习和操作。 然而，这些基于嵌入的方法并没有显式地捕获知识图谱背后的组合逻辑规则，并且它们仅限于直推式设置，在直推式设置中，实体的全部集合必须在训练期间已知。 本文提出了一种基于图神经网络的关系预测框架GraIL，它在局部子图结构上进行推理，并具有很强的归纳偏差来学习实体独立的关系语义。 如右图，

来源：CVPR2015 创新点： 跟踪的常规做法是：首先在空间上选择假设，然后随着时间的推移连接这些假设，在这个过程中需要保证不相交的路径约束。在拥挤场景下，多重假设往往是彼此相似的。基于此，本文提出将时间和空间联合起来，连接合理的检测结果。特别的，将MOT看成是一个最小代价子图多割（a minimum cost subgraph multicut problem）问题。成对的检测假设可以

Subgraph mining in a large graph: A review ---- 《大图中的子图挖掘：回顾》 摘要   大图通常用于对各种研究和应用领域中的复杂系统进行模拟和建模。由于其重要性，单个大图中的频繁子图挖掘（FSM）是一个至关重要的问题，最近它吸引了众多研究人员，并在研究和应用目的的各种任务中发挥了重要作用。FSM旨在找到大图中出现次数大于或等于给定频率阈值的所有子图

Bi F, Chang L, Lin X, et al. Efficient subgraph matching by postponing cartesian products[C]//Proceedings of the 2016 International Conference on Management of Data. 2016: 1199-1214. 文章目录 ABSTRACT1