Sep, 2019

通过图卷积的对抗领域自适应实现图传输学习

PDF
TL;DR本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。
cross-networknode classificationgraph transfer learningadversarial domain adaptationknowledge transfer
发现论文，激发创造
  • 域自适应图分类

    通过双重对抗学习的方法，本文提出了 Dual Adversarial Graph Representation Learning（DAGRL）来探索图拓扑结构，并且减少域间差异，实验证明了该方法的有效性。

    Dec, 2023

  • 领域自适应消息传递图神经网络

    通过跨网络节点分类（CNNC）实现源网络知识向标签不足的目标网络的转移，提出了一种领域自适应传递图神经网络（DM-GNN），它将图神经网络（GNN）与条件对抗性领域自适应相结合，能够学习可传递到不同网络的节点分类的信息表示。

    Aug, 2023

  • 图传输学习中的半监督领域自适应

    半监督图领域自适应（SGDA）是一种用于解决具有拓扑结构和属性的跨域图之间知识迁移问题的方法，它通过添加自适应的偏移参数和伪标签，以处理来自标注丰富源图到未标注目标图的领域转移和标签稀缺的挑战。

    Sep, 2023

  • AdaGCN: 将 Adaboost 应用于图卷积神经网络的深模型

    本文提出了一种融合了 AdaBoost 的新型 RNN-like 深度图形神经网络体系结构，该网络能够高效地从当前节点的高阶邻居中提取知识，并以 Adaboost 的方式将不同跳数邻居的知识集成到网络中。通过它与现有图卷积方法的理论联系，我们的 AdaGCN 能够在不同标签率下展现出一致的最先进的预测性能，而且计算效率有所提升。

    Aug, 2019

  • 图领域适应：挑战、进展与前景

    图领域适应（Graph Domain Adaptation）是一种有效的跨图知识转移范式，该论文详细调查了图领域适应的研究现状、挑战、代表性工作以及展望，并提供了第一份图领域适应调查报告。

    Feb, 2024

  • 基于图学习的双图卷积网络用于半监督节点分类与子图草图

    我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN，并将其应用于半监督节点分类任务，在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN，并设计了基于聚类图卷积神经网络的半监督节点分类算法，使 GCN 能够处理大规模图数据并提高其应用价值，在 PPI 数据集（超过 50,000 个节点）和 Reddit 数据集（超过 200,000 个节点）上也表现良好。

    Apr, 2024

  • GraphDefense: 构建强健的图卷积网络

    本文研究了图卷积网络在对抗扰动下的鲁棒性，通过提出 GraphDefense 方法，成功提高了图卷积网络的鲁棒性，同时能够维持半监督学习的设定，具有较大的应用潜力。

    Nov, 2019

  • 对抗式二分图学习用于视频领域自适应

    本文提出一种跨域学习的视频分类器，通过 Adversarial Bipartite Graph 模型学习源域与目标域之间的交互，增强模型的泛化能力，并在半监督学习中扩展了该模型，实验结果表明该方法在视频识别任务上优于当前最佳方法。

    Jul, 2020

  • 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

  • 循环一致条件对抗迁移网络

    本文提出一种名为 3CATN 的方法，利用条件生成对抗网络和特征翻译实现跨域知识转移，解决了当前生成对抗模型中平衡挑战的致命弱点，并在大量实验中展现了当前最先进的表现。

    Sep, 2019