自强化图神经网络:利用模型输出提升图神经网络
本研究提出了可扩展和自适应图神经网络(SAGN),采用基于注意机制的邻域信息聚集和自我 - 标签增强框架(SLE),以结合半监督的节点标签训练。实验结果表明,相比其他基于采样和非采样的方法,SAGN 实现了更好或相当的结果,并且 SLE 可以进一步提高性能。
Apr, 2021
在复杂网络中,图神经网络(GNNs)在各种基于学习的任务中表现出显著的优势。然而,对于许多网络应用而言,节点级信息可能缺失或不可靠,从而限制了 GNNs 的适用性和效果。为了解决这个问题,我们提出了一种名为 Ego-centric Spectral subGraph Embedding Augmentation(ESGEA)的新方法,旨在增强和设计节点特征,特别是在信息缺乏的情况下。我们的方法利用局部子图的拓扑结构来创建具有拓扑感知能力的节点特征。子图特征通过高效的谱图嵌入技术生成,并作为捕捉网络局部拓扑结构的节点特征。如果存在显式节点特征,则使用子图嵌入来增强这些特征以提高整体性能。ESGEA 适用于任何基于 GNN 的架构,即使在没有节点特征的情况下也能有效。我们在一个社交网络图分类任务以及一个节点分类任务上对所提出的方法进行了评估,其中节点属性不可用或特征被破坏甚至不存在。对七个数据集和八个基准模型的评估结果表明,在图分类任务和节点分类任务中,AUC 值和准确度分别提高了 10% 和 7%。
Oct, 2023
本文介绍了一种使用自监督和无监督学习相结合的方法创造新的边特征的框架,并结合基于 Popular GNN 架构提取的节点特征,通过一个端到端的训练方案用于节点分类。在三个生物数据集上验证了这种方法,该方法对基线 Graph Attention Network (GAT) 和 Graph Convolutional Network (GCN) 模型有更好的效果,并且通过关注边和节点特征的机制,能够解释决定 COVID-19 的过程和严重程度的细胞类型和基因,为潜在疾病生物标记物和治疗靶点的不断发现做出贡献。
Jun, 2020
本文提出了一种基于集体学习和自监督学习的蒙特卡洛采样框架,用于将当前的 GNN 模型进行增强以实现节点分类,实验结果表明,该方法在五个真实世界的网络数据集上都取得显著的性能提升。
Mar, 2020
该研究旨在研究半监督条件下图神经网络(GNNs)的集成学习。通过将多个薄弱学习器的输出组合起来,集成学习已经在传统机器学习中提高准确性和鲁棒性方面显示出优越性。然而,在集成不同的 GNN 模型时,由于 GNN 的推理能力较差,这个想法很具有挑战性。为了解决这个问题,在本文中,我们提出了一种高效的集成学习算法 E2GNN,以可学习的方式组合多个 GNNs,同时利用标记和未标记节点。通过开展全面的实验证明了 E2GNN 的优越性。
May, 2024
本文研究半监督图分类,在有限标记图和丰富未标记图的场景下准确预测图的类别。通过提出一个名为 HEAL 的超图增强的 DuAL 框架,该框架分别从超图和线图的角度捕捉图的语义,以解决现有图神经网络对大量昂贵标记图的需求以及对节点之间高阶依赖关系建模能力不足的问题。在设计了适应性学习复杂节点依赖关系的超图结构学习的基础上,利用学习到的超图引入线图来捕捉超边之间的交互,从而更好地挖掘潜在的语义结构,并开发了关系一致性学习来促进两个分支之间的知识传递和更好的相互引导。对真实世界的图数据集进行的广泛实验验证了所提方法相对于现有最先进方法的有效性。
May, 2024
将研究成果分类为特定上下文的标签分类体系是一项具有挑战性且相关的下游任务,该论文提出了一种方法,通过使用边异构图来增强简单的图神经网络(GNN)管道的性能,实验证明边异构图能够提高 GNN 模型的性能,这项研究有望在节点分级分类方面提供性能改进。
Sep, 2023
本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息,以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证,展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。
Jun, 2020
本文提出了基于标签一致性的图神经网络(LC-GNN),扩大了 GNN 中的节点感受野,利用未连接但标签相同的节点对。在基准数据集上的实验证明,LC-GNN 在图形半监督节点分类方面优于传统的 GNN,在只有少数标记节点的稀疏场景中也表现出优越性。
Jul, 2020