Sep, 2020

CAGNN: 面向无监督图表征学习的聚类感知图神经网络

PDF
TL;DR介绍一种新的无监督图嵌入学习方法，使用自监督技术，通过将节点嵌入进行聚类并预测节点分配情况更新模型参数，加强类内联系和减少类间联系从而更好地保留了嵌入空间中的类簇结构，并在两个基准任务中使用真实世界数据集展开比较实验，证明了该模型在准确性方面比现有基线方法优越，特别地，在节点聚类方面的准确率提升了超过 7%
unsupervised learninggraph neural networksself-supervised techniquesclusteringreal-world datasets
发现论文，激发创造
  • CSGNN：通过动态类别选择征服嘈杂节点标签

    该研究论文提出了一种名为 CSGNN 的图神经网络方法，通过使用邻居聚合的潜在空间自适应选择可靠的节点，并解决了过拟合、标签噪声、类别选择和干净节点的学习问题。实验证明，CSGNN 在效果和鲁棒性上优于现有方法。

    Nov, 2023

  • 一种集体学习框架以提高 GNN 表达能力

    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

  • GANN: 用于半监督学习的图形对齐神经网络

    本文提出了一种简单而有效的 GNN 体系结构，名为 GANN，采用三个新型的图信息对齐规则，以解决标记数据有限导致 over-smoothing 的问题，并在半监督图节点分类任务中拥有优于竞争对手的表现。

    Mar, 2023

  • 基于注意力机制的图聚类网络

    提出了一种名为注意力驱动图聚类网络（AGCN）的深度聚类方法，它利用异质性智能融合模块动态融合节点属性特征和拓扑图特征，并开发了一个分别针对不同层嵌入的多尺度特征进行自适应聚合的规模智能融合模块，通过联合学习特征和聚类分配，可以更加灵活有效地执行聚类任务。实验结果表明，该方法性能优于现有的深度聚类方法。

    Aug, 2021

  • 保护图神经网络的无监督图异常检测

    本文提出了一个简单而有效的框架 G3AD，它引入了两个辅助网络和相关性约束来保护 GNN 免受不一致信息编码的影响。此外，G3AD 还引入了一个自适应缓存模块，以防止 GNN 仅重构包含异常的观察数据。大量实验证明，我们提出的 G3AD 在合成数据集和实际数据集上均能优于 17 个最先进的方法。

    Apr, 2024

  • 基于聚类节点信息的无监督图表示学习算法：Graph InfoClust

    本研究提出了一种用于图数据挖掘的无监督学习方法，称为 Graph InfoClust（GIC），该方法利用可微分 K 均值方法计算出聚类信息并最大化同一聚类节点之间的互信息，从而获得更多信息和节点相互作用，并在节点分类、链路预测和节点聚类等各种下游任务中明显优于现有方法。

    Sep, 2020

  • 半监督通用图分类

    本文提出一种新型的图神经网络框架 UGNN，用于半监督图分类，在有限标注数据和大量未标注数据的情况下，利用子图的视角来充分利用未标注数据，并且通过使用 Sinkhorn-Knopp 算法来学习已知和未知类别的语义原型，并在不同的子图视图下进行大量实验，证明了 UGNN 在不同设定下的有效性。

    May, 2023

  • DGNN：属性和图嵌入表示的结构一致性解耦的图神经网络

    通过解耦特征和图信息，提出了一种新的图神经网络框架（Decoupled Graph Neural Networks，DGNN），以获得更全面的节点嵌入表示，并通过在属性和图空间中探索不同的嵌入表示来提高节点分类的性能。

    Jan, 2024

  • 搜索 UGLE 真相：无监督 GNN 学习环境的调查

    本文介绍了使用 GNN 进行社区检测的问题，并提出了一个用于公平、严谨评估 GNN 的社区检测的基准环境的框架。该文章强调了实验设置对性能的强烈依赖性，并提供了使用框架促进一致性研究的明确动机。

    May, 2023

  • 使用循环神经网络学习图级表示

    本文提出了一种结合无监督和有监督学习组成的方法，通过利用 random walk 方法和 Gumbel-Softmax 分布将图节点映射到节点序列，然后使用修改后的 RNN 神经网络单位学习节点表示方法和它们的邻域信息，实验表明该方法优于或与现有算法相当，具有收敛速度快和准确度高的优点。

    May, 2018