通过节点特征传播进行图神经网络的主动学习

Oct, 2019

通过节点特征传播进行图神经网络的主动学习

Active Learning for Graph Neural Networks via Node Feature Propagation

Yuexin Wu, Yichong Xu, Aarti Singh, Yiming Yang, Artur Dubrawski

TL;DR本研究提出并验证了一种基于图神经网络的主动学习方法，应用于节点分类任务，其中通过节点特征传播和 K-Medoids 聚类完成样本的选取，并在四个基准数据集上实验进行验证，结果表明该方法优于其他基准方法。

Abstract

graph neural networks (GNNs) for prediction tasks like node classification or edge prediction have received increasing attention in recent machine learning from graphically structured data. However, a large quant

graph neural networks active learning node classification instance selection k-medoids clustering

发现论文，激发创造

图神经网络的最优传播学习

本文提出一种基于双层优化的方法，通过直接学习个性化 PageRank 传播矩阵以及下游半监督节点分类并同时进行学习，学习最佳的图结构，并探索低秩逼近模型以进一步降低时间复杂度。实证评估表明，所提出的模型在所有基线方法中具有更高的有效性和鲁棒性。

May, 2022

基于图神经网络的节点分类的增强方法

本文概述了一系列现有的技巧，并提出了一些与标签使用、损失函数制定和模型设计相关的新技巧，以显著提高各种图神经网络 (GNN) 架构的性能。通过进行消融研究，我们经验性地评估了它们对最终节点分类精度的影响，并证明了它们的性能得到了不断改进，通常超过了底层 GNN 架构变化所带来的收益。值得注意的是，许多排名前列的模型从中受益，这是我们提出的一些技术。

Mar, 2021

基于图策略网络的图可迁移主动学习

通过强化学习训练一种基于图神经网络 (GNN) 的策略网络，来学习如何高效地标注图中的节点，以减少 GNN 训练的标注成本。该研究还证明了所学习的策略网络在同一领域和不同领域的图之间进行迁移学习的有效性。

Jun, 2020

关于节点特征缺失图学习中特征传递效果的不合理有效性

本研究提出了一种名为 Feature Propagation 的方法，通过 Dirichlet 能量的最小化处理缺失特征值，得到在图机器学习领域中处理缺失功能数据的方法。研究表明，该方法在节点分类基准测试中的表现优于以前的方法，并且可以经受极高比例的缺失特征。

Nov, 2021

基于分区的图神经网络主动学习

本文提出了一种基于图划分的半监督学习的主动学习方法 ——GraphPart，该方法可以在不引入额外的超参数的情况下，在 GNN 上取得更好的性能。

Jan, 2022

基于节点自适应传播的加速可扩展的图神经网络推理

大规模图的实时推断对于图神经网络 (GNNs) 提出了一项重大挑战，但我们提出了一种在线传播框架和两种新的节点自适应传播方法来加速可扩展 GNNs 的推断过程，并通过简单的超参数灵活管理准确性和时延之间的平衡。此外，我们进一步提出了 Inception Distillation 来弥补推断准确性损失，实验结果显示我们的方法在精确性和效率上优于现有的图推断加速方法。

Oct, 2023

具有噪声结构的图的主动学习

我们提出了一个名为 GALClean 的主动学习框架，它采用迭代方法同时进行数据选择和图纯化，具有理论上的 EM 算法支持，并且在各种类型和级别的噪声图上表现出有效性和健壮性。

Feb, 2024

图神经网络中节点特征

本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

Nov, 2019

图上自适应特征传播：超越低通滤波器

提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

Mar, 2021

开放世界节点分类的图神经网络终身学习

本文提出了一种在图上进行终身学习的增量训练方法，通过 $k$- 邻居时间差的方法解决历史数据的差异，并在五种典型的 GNN 体系结构上进行训练，结果表明相对于对完整图数据的训练，只需要保留至多 50% 的 GNN 感受野，就能保证至少 95% 的准确度，并确认了随着显式知识变少，隐式知识变得更为重要。

Jun, 2020