NIPSJun, 2018

学习具有结构变化的图形

PDF
TL;DR本文研究结构变化对于图数据和图核心预测性能的影响，通过引入噪声鲁棒方法改进了 GraphHopper 核心，并在基准数据上验证其性能；在增加结构性错误的情况下，研究最先进的 Weisfeiler-Lehman 图核心的性能，发现引入错误的影响取决于数据集。
graph datagraph kernelspredictive performancestructural variationweisfeiler-lehman kernel
发现论文，激发创造
  • 自然语言处理中的结构化核学习

    本文介绍使用高斯过程在结构核中进行模型选择的方法，并给出在树核上的实验结果，证明其比使用网格搜索的超参数优化方法具有更好的预测性能。

    Aug, 2015

  • 使用切片瓦瑟卡因魏斯费勒 - 勒曼图内核的高斯过程回归

    用监督学习和高斯过程回归为基础，提出了 Sliced Wasserstein Weisfeiler-Lehman（SWWL）图内核来处理具有连续节点属性的大型稀疏图数据集，并成功应用于分子数据集的图分类和计算流体力学、固体力学的图回归任务。

    Feb, 2024

  • 图神经网络对结构噪声有多强健？

    该研究聚焦于图神经网络的鲁棒性问题，尤其是节点结构预测中添加结构噪声对模型稳健性的影响，研究表明，通过图增强训练，可以显著提高图神经网络的鲁棒性。

    Dec, 2019

  • 利用结构回收随机性进行次线性时间核扩展

    提出一种方案，通过随机嵌入将高斯随机向量回收到结构化矩阵中，以实现对各种核函数的近似，该方案可在亚线性时间内完成。其中包括 Fastfood 构造作为特例，还可扩展到周而复始、托普利兹和汉克尔矩阵以及广泛的结构化矩阵家族，该矩阵家族的特征在于低位移秩的概念。介绍了控制逼近质量的相干性和图论结构常数的概念，并证明了在我们的框架内出现的随机特征映射的无偏性和低方差性质。对于低位移矩阵的情况，我们展示了如何控制结构和随机性的程度，以降低统计方差的代价，但需要增加计算和存储要求。实证结果强烈支持我们的理论，并证明了使用随机特征来扩展核方法的可行性。

    May, 2016

  • 一种保结构核方法用于学习哈密顿系统

    给出一种结构保持的核岭回归方法，可以从由哈密顿矢量场的噪声观测组成的数据集中恢复可能是高维和非线性的哈密顿函数。该方法提供了一个闭式解，其数值性能优于文献中提出的其他技术。从方法论的角度，本文将核回归方法扩展到需要涉及梯度线性函数的损失函数的问题，特别是在这种背景下证明了微分再生性质和 Representer 定理。分析了结构保持的核估计量与高斯后验均值估计量之间的关系。进行了完整的误差分析，使用固定和自适应正则化参数提供了收敛速度。通过各种数值实验展示了所提出估计器的良好性能。

    Mar, 2024

  • 结构噪声下稳健图神经网络的比较研究

    该研究对不同类型的鲁棒图神经网络在结构噪声表现下进行了全面和系统的比较，并提供了鲁棒性图神经网络选择的实用建议。

    Dec, 2021

  • 图结构上的梯度在灰盒攻击中可靠吗？

    本文分析并讨论了结构梯度不可靠性问题对图嵌入分类预测的影响，提出一种新的攻击模型和方法来减小这些误差。提出了边缘离散取样、候选选择和语义不变性等方法来提高攻击效率和稳定性，实验结果表明了新方法的优越性。

    Aug, 2022

  • 用于图结构数据的卷积核网络

    本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简单的模型解释。

    Mar, 2020

  • 图内核：一份综述

    这篇综述文章介绍了在结构化数据学习中，图核函数及其相关发展十分引人瞩目和广泛应用。文章总结了近二十年来发展出的几十种图核函数，介绍了图核函数在社交网络及生物信息学等领域的成功应用，并提供了一些有关图核函数的应用和挑战的讨论。

    Apr, 2019

  • 图内核：现状与未来挑战

    该论文综述了现有的图内核方法，包括其应用、软件和数据资源，以及现阶段最先进的图内核进行的实证比较，以解决图形相似度评估问题，进而在分类和回归模型中进行预测。

    Nov, 2020