图形的深度特征学习
本文介绍了 Deep Graph Library(DGL)的设计原则和实现方法,DGL 将 GNNs 的计算模式提炼成几个泛化的稀疏张量操作,适合大规模并行化。DGL 以图形为中心编程抽象,能够透明地进行优化。同时 DGL 采用了框架中立的设计,允许用户在多个深度学习框架中轻松移植和利用现有的组件。我们的评估表明,在各种基准测试中,DGL 在速度和内存消耗方面都显著优于其他流行的面向 GNNs 的框架,并且对于小规模工作负载的开销很小。
Sep, 2019
本文提出了一种名为 IDGL 的端到端图学习框架,可以联合学习图结构和图嵌入,并将图学习问题转化为相似度度量学习问题,使用图正则化来控制学习图的质量,使用基于锚点的近似技术提高其可伸缩性。IDGL 模型在九个基准测试中表现优异,并能够更好地应对恶意图和在归纳和转导学习中的应用。
Jun, 2020
本篇论文提出了一种新的图形神经网络 GL-GNN,通过学习关系的图形和选择重要数据特征以解决未知图形、节点具有嘈杂特征和图形含有噪声连接等三个问题,并在多个数据集上与基线方法进行对比, 能够选择重要特征和图形边缘。
Oct, 2022
本文介绍了 DistDGL 系统,作为基于 Deep Graph Library(DGL)进行开发的图神经网络(GNN)的分布式训练系统,具有高效、可扩展性等优点。该系统采用了高质量且轻量级的最小割图划分算法,并支持非本地节点组成的自我网络进行小批量训练。经过优化后,该系统可以在线性速度下训练高质量的模型,并且在 16 台机器上只需 13 秒完成 100 万节点和 30 亿边数的图的训练。
Oct, 2020
本文设计了一种名为 EAGLE 方法的有效边缘表示学习方法,针对边缘属性二部图 (Edge-Attributed Bipartite Graphs) 中的边缘分析任务,通过因式特征传播 (Factorized Feature Propagation) 方案加以改进,充分考虑到来自 U 和 V 两个异构节点集的影响,实现了边缘表示的准确性和计算效率的提升。通过对 5 个真实数据集的广泛实验,验证了所提出的 EAGLE 模型在半监督边缘分类任务中的有效性,与最佳基准模型相比,EAGLE 模型可以在平均准确率 (AP) 方面提高最多 38.11%,在曲线下面积 (AUC) 方面提高 1.86%。
Jun, 2024
本文提出一种新颖的认知图层(EGLayer),以实现深度模型和结构化知识图间信息更有效交换,进而实现更有效的表示学习,从而将人类混合学习应用于计算机视觉任务。
May, 2023
该论文提出了一种名为 G-GNNs 的新型模型,通过无监督预训练获取节点的全局结构和属性特征,然后利用这些特征和原始网络属性,提出了一种 GNN 的并行框架以从这些特征中学习不同的方面。该模型的学习方法可应用于平面图和属性图,并通过 extensive experiments 在三个标准评估图上表现优异,特别地,在属性图学习方面,G-GNNs 在 Cora (84.31%) 和 Pubmed (80.95%) 上建立了新的基准记录。
Oct, 2019