GraphMix: 半监督学习中 GNNs 的改进训练
该研究提出了一种名为 N-GCN 的模型,将图卷积网络和随机游走中的信息融合,训练多个 GCNs 实例,并学习组合不同距离下的节点对的实例输出,实现优化分类目标。实验证明,该模型在节点分类任务上表现优异,具有良好的通用性和鲁棒性。
Feb, 2018
本文研究机器学习领域的图半监督学习,提出了基于图卷积网络的深度学习方法,解决了图卷积网络机制不清晰及需要大量标注数据的问题,并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证,研究结果具有实际应用价值。
Jan, 2018
提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架,通过设计随机传播策略来进行图数据增强,并利用一致性正则化优化不同数据增强下未标记节点的预测一致性,实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上,并且缓解了过度平滑和非鲁棒性问题,展现了比现有 GNN 更好的泛化行为。
May, 2020
本研究提出了 Graph Markov Neural Network (GMNN) 模型,将统计关系学习和图神经网络的优势相结合,通过有条件随机场建模对象标签的联合分布,并利用变分 EM 算法进行有效训练,在目标分类、链接分类和无监督节点表示学习等任务中实现了最先进的结果。
May, 2019
本文提出了一种新颖的基于图卷积网络的 SSL 算法,通过利用数据相似性和图结构来丰富监督信号,从而改善了现有方法的性能。该算法通过设计半监督对比损失和图生成损失提取潜在的关系,并在各种实际数据集上取得了显著的分类性能,与现有最先进的方法进行了比较。
Sep, 2020
本研究提出了一种可扩展的半监督学习方法,该方法基于一种直接作用于图形的高效卷积神经网络变体,通过局部一阶逼近实现了谱图卷积的选择,其模型在节点数量上线性地扩展并学习编码局部图结构和节点特征的隐藏层表示,在引用网络和知识图数据集上的若干实验中,证明了我们的方法的明显优越性。
Sep, 2016
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
本文提出了一种名为 GPNN 的图划分神经网络,通过在小子图中进行本地传播和在子图之间进行全局传播来处理极大的图形。经过大量实验,实验结果表明,GPNN 在图形半监督分类任务中表现优异或与现有算法相当,且使用更少的传播步骤也能够达到标准 GNN 的性能。
Mar, 2018
本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法,该方法通过编码图结构和节点特征同时保持局部不变性约束,用于图数据表示和半监督分类,并在实验中证明了其有效性。
Sep, 2018