多关系网络推理的自适应邻域图构建
图神经网络在多种动态系统如实体和关系组成的问题中是有效的模型。本文提出了一种基于模块化元学习的关系推断方法,通过训练神经模块以不同方式组合解决多个任务,增加了推理能力,并在元学习优化内循环中采用模型导向的方法,提高了数据效率和可推断未直接观测到的实体状态的能力。
Oct, 2023
该论文提出了一种新的 Graph Neural Network 体系架构(RioGNN),通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘,并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明,该方法比其他比较方法更有效,更高效,并具有更好的模型解释性。
Apr, 2021
通过将神经网络和统计结构学习模型相结合,我们提出了一种混合方法,通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图,从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上,我们的方法显著提高了性能。
Dec, 2023
本文提出了一个基于图结构的半监督学习的生成框架,通过逼近节点特征,标签和图结构的联合分布,使用可扩展的变分推断技术来推断缺失的标签,并在基准数据集上进行了全面的实验,结果表明该方法在大多数设置中优于现有的最先进模型。
May, 2019
提出一种基于概率框架的深度学习架构,可用于发现重叠社区和关系数据中的链接预测,利用多层潜在特征 / 社区来提高复杂网络上的链接预测性能,通过回归模型将可用的节点属性作为侧面信息,能更好地解释潜在特征,具有高效且可扩展的优点。
Jun, 2017
本文提出一种用于半监督图节点分类的 “图推理学习”(GIL) 框架,通过学习节点标签的推理,提高分类性能,定义节点属性、节点路径和局部拓扑结构之间的结构关系,从而方便地从一个节点推导出另一个节点的推理,通过在训练节点到验证节点上进行结构关系的元优化,使学习到的图推理能力更好地适应测试节点。在四个基准数据集上进行了全面评估,结果表明,与半监督节点分类任务中最先进的方法相比,我们提出的 GIL 方法具有卓越的性能。
Jan, 2020
本文提出一种图检索机制叫做 GraphRetrieval 通过检索训练图来加强现有的图神经网络模型,利用自注意力的适配器从被检索图中获取有益信息并消除噪声,实现了对现有 GNN 模型效果的显著提升。
Jun, 2022
该研究展示了在预测任务中,图神经网络(GNNs)利用关系信息作为归纳偏差以提高模型的准确性。通过学习图结构的方法来解决下游预测任务中未知的相关关系,同时证明了点预测损失函数(如平均绝对误差)的最小化并不能保证对潜在关系信息及其相关不确定性进行适当的学习。相反,合适的损失函数在随机模型输出上同时确保了(i)未知邻接矩阵潜在分布和(ii)在预测任务上的最佳性能。最后,我们提出了一种基于采样的方法来解决这一联合学习任务。实证结果验证了我们的理论观点,并证明了所提方法的有效性。
May, 2024