Sep, 2018

基于生成对抗网络的图半监督学习

HTML
PDF
TL;DR研究使用生成式对抗网络来帮助半监督图学习，提出GraphSGAN方法，在该方法中，生成器和分类器网络进行竞争性博弈，生成器通过在子图之间的低密度区域生成假样本来平衡，分类器通过隐式考虑子图密度属性来区分真实样本和假样本。实验结果表明，GraphSGAN显著优于几种现有方法。
发现论文，激发创造
  • 生成对抗网络半监督学习

    将生成对抗网络扩展到半监督学习中，强制鉴别器网络输出类标签，能够创建更具数据效率的分类器以及比正常GAN生成更高质量的样本。

    Jun, 2016

  • GraphGAN: 生成对抗网络用于图形表示学习

    该论文提出了GraphGAN，一种结合生成模型和判别模型的图形表示学习框架，其中两个模型玩一个博弈论最小最大化游戏来提高它们的性能，同时还提出了一种新的图形softmax来克服传统softmax函数的局限性。在真实世界的数据集上广泛实验表明，GraphGAN在各种应用中都比现有技术取得了实质性的收益，包括链接预测、节点分类和推荐。

    Nov, 2017

  • 基于GAN的半监督学习：重温流形正则化

    使用 GAN 进行流形正则化，采用 Monte Carlo 近似方法进行拉普拉斯规范化，结合 GAN 实现特征匹配 GAN，并在 CIFAR-10 数据集上实现了半监督学习并取得了最先进的结果。

    May, 2018

  • 采用对抗训练方法学习图嵌入

    该论文提出了一个新的对手正则化框架来进行图嵌入，通过对手正则化的方法来保证所得到的隐藏代码满足先验高斯或均匀分布，之后得到两个 Adversarially Regularized Graph Autoencoder (ARGA) 和 Adversarially Regularized Variational Graph Autoencoder (ARVGA) 的变种来学习图嵌入，实验表明我们的方法在链接预测和图聚类中执行良好。

    Jan, 2019

  • 基于图结构的动态正则化的图对抗训练

    研究表明神经网络的视觉分类任务受到小幅但有意的输入特征扰动的影响。基于连接的示例引起了对目标示例影响的干扰，图对神经网络的影响更大。针对此问题，本文提出了一种动态正则化技术——图形对抗训练（Graph Adversarial Training，GraphAT），该技术结合了输入特征中的干扰和连接示例的影响，并将其应用于图卷积网络（Graph Convolutional Network，GCN）的目标节点分类任务中，实验结果表明，GraphAT可以提高模型的鲁棒性。

    Feb, 2019

  • 节点分类中基于图卷积网络的虚拟对抗训练

    本文提出了一种GCN半监督学习的虚拟对抗训练方法，并通过GCN Sparse VAT（GCNSVAT）和GCN Dense VAT（GCNDVAT）算法在标记和未标记数据上进行优化，提高其泛化性能。该方法在GCN的Symmetrical Laplacian Smoothness上取得了改进，并通过大量实验证实了我们方法的有效性。

    Feb, 2019

  • 基于生成对抗网络的半监督学习：良好GAN与不良GAN方法的比较

    本文比较了基于生成对抗网络的半监督学习方法中的 Bad GAN 和 Triple GAN 两种方法在不同基准数据集上的表现，并展示它们在图像生成和标记数据量敏感度方面的不同特性，以期为基于 GAN 的半监督学习的未来提供参考。

    May, 2019

  • 标记图生成对抗网络

    本研究提出了一种名为LGGAN的有标签图生成对抗网络，用于训练基于节点标签的图结构数据的深度生成模型，并在各种类型的图数据集上进行了测试，其结果表明我们的模型可以生成符合训练数据的结构特征的多样化的标记图，并优于所有另一种方法的质量和普适性。此外，经过下游任务进行的生成图的质量评价，结果表明LGGAN可以忠实地捕捉图结构的重要方面。

    Jun, 2019

  • 关于使用对抗训练进行图自编码器泛化的研究

    通过在图嵌入方法中使用L2和L1两种形式的对抗训练，在链接预测、节点聚类和图异常检测等三个应用程序中，提高了嵌入模型的泛化能力。

    Jul, 2021

  • 图神经网络的对抗性训练

    本文介绍了对抗训练在解决图神经网络中的结构扰动方面的局限并展示了基于可学习图扩散的灵活图神经网络和针对多节点和全局约束的结构扰动攻击，进一步证明了对抗训练作为对抗性结构扰动的最先进防御手段。

    Jun, 2023