半监督分类的循环注意漫步
本文提出了一种基于协同式图遍历的强化学习算法,Multi-Label-Graph-Walk,提高了节点嵌入的区分能力,在属性图中利用可用标签分配来调整节点表示,将多标签节点分类任务形式化为多个标签特定代理的同时图遍历,在合作方式中学习标签特定图遍历策略,捕捉节点标签与结构属性之间的关联以及多个标签特定分类任务之间的关联。综合实验研究表明,所提出的方法显著提高了多标签分类性能,实现了更高效的图形探索。
Oct, 2019
本文提出一种使用注意力机制的图神经网络,通过去除中间的全连接层,并结合图结构实现对邻域的动态自适应的总结,从而达到降低参数数量,提高半监督学习效果的目的。
Mar, 2018
本研究提出 Causal Attention Learning (CAL) 策略,利用因果推断来处理图分类过程中存在的 confounding effect of shortcuts,该方法借助注意力模块估计因果特征和快捷特征,并对因果理论进行参数化背门调整。实验结果表明,CAL 策略在合成和真实数据集上均取得了良好的效果。
Dec, 2021
通过开发 M-Walk 这样一种能够在存在稀疏奖励情况下有效训练的图行走代理,利用深度循环神经网络和 Monte Carlo Tree Search 算法,结合神经策略与 Q 值,用 Q-Learning 进行无模拟训练,最终在多个图行走基准测试中展现出远优于其他基于策略梯度的强化学习方法的性能,解决了知识库补全等实际应用中遇到的问题。
Feb, 2018
本文提出了一种基于自我注意机制的改进图神经网络(GNN)方法以及一个基于预训练模型的半监督自我训练方法。实验结果表明这些方法都可以有效地提高链接预测任务的性能。
Sep, 2022
本文提出了一种基于自监督任务的改进图注意力模型 SuperGAT,用于学习在有噪声图中更具有区分性的表达。研究发现,同质性和平均度是影响注意力形式和自监督任务有效性的两个图特征,并提供了在这两个情况下使用的注意力设计指南。在 17 个真实世界数据集上的实验结果表明,SuperGAT 的表现优于基线模型。
Apr, 2022
提出了一种基于路径感知的图形注意力机制,用于对高清地图进行编码,以帮助自主驾驶汽车预测路径,并在 Argoverse Motion Forecasting 数据集上取得了最优结果。
Feb, 2022
提出了一种基于图神经网络的网络定位方法,通过结合关注机制,在严重的非直线视线传播情况下实现了卓越的稳定性和准确性,消除了离线校准或非直线视线识别的需求。
Nov, 2023