利用图形去噪策略网络学习鲁棒表示
本篇论文针对图结构数据的表征学习中的聚合操作进行研究,探究 GCN、GAT、PPNP、APPNP 等 GNN 模型的聚合过程与图像去噪问题之间的通用性,进而提出统一图神经网络框架 UGNN,并基于此开发了 ADA-UGNN 模型,通过实验验证了其在自适应平滑性的图中的有效性。
Oct, 2020
这篇研究提出一种鲁棒的图神经网络实现方法,明确考虑了观察拓扑中的扰动,通过优化可学习参数和真实图形来解决非可微且受限制的优化问题,适用于各种类型的图形,并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。
Dec, 2023
本文提出了一种通过学习明确控制标签噪声的框架(RTGNN),包括自我强化和一致性正则化,以实现对带有标签噪声和少量标签的图形神经网络的训练,并证明了其在各种噪声情况下相对于现有方法的优越性能。
Nov, 2022
本文提出了一种基于参数化拓扑去噪网络的 GNN 模型(PTDNet),可以通过学习去除任务无关的边来提高 GNN 模型的稳健性和泛化性能,并在各种任务中(如节点分类和链接预测)均有显著的性能提升,特别是在噪声数据集上性能提升更为明显。
Nov, 2020
本文提出了 Policy-GNN 方法,通过 meta-policy 学习采样策略和消息传递,以解决 GNN 中的聚合优化问题,提高对图数据的建模精度。实验表明 Policy-GNN 显著优于现有的替代方法。
Jun, 2020
本文提出一种基于图卷积层的深度神经网络,能够优雅地处理学习型点云处理方法所遇到的置换不变性问题,通过动态构建邻域图来建立特征的复杂层次结构,与促进接近理想表面的损失相结合,该方法在各种指标上都明显优于现有方法,特别是在高噪声和结构噪声等实际情况下表现尤为稳健。
Jul, 2020
探索了图神经网络(GNN)如何进行信号去噪,并提出了两种新的模型,GSDN-F 和 GSDN-EF,并且证明了该理论框架以及新模型在基准数据集上的有效性。
Jun, 2020
本文提出 PolicyClusterGCN, 该算法基于在线强化学习框架,学习策略网络以确定 GCN 训练的良好聚类,使用 Markov 决策过程公式化策略网络,该算法在节点分类任务上实现了超越现有技术的性能。
Jun, 2023
本文提出了一种利用 Hilbert-Schmidt 独立准则以及邻域路由机制实现图卷积网络中的解缠编表示学习方法,能够提高结点表示的独立性,实验结果验证了该算法在半监督图分类、图聚类和图可视化等网络应用中的有效性。
Nov, 2019