SIGIROct, 2020

图卷积应信赖邻居吗？一种简单的因果推断方法

PDF
TL;DR研究使用因果图分析 GCN 的工作机制，估计节点局部结构对预测的因果影响，以消除本地结构差异的影响并提高 GCN 的推理阶段。
graph convolutional networklocal structure discrepancycausal graphnode classificationinformation retrieval
发现论文，激发创造
  • 学习图神经网络的自适应邻域

    建立了一种可端到端学习的可微图生成器，用于动态构建拓扑结构和节点选择，应用于图卷积网络的轨迹预测、点云分类和节点分类等任务，提高了准确性。

    Jul, 2023

  • 半监督学习中图卷积网络的深入洞察

    本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

    Jan, 2018

  • 图卷积神经网络学习什么？

    本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。

    Jul, 2022

  • 贝叶斯图卷积神经网络用于半监督分类

    本文提出一种贝叶斯图卷积神经网络的框架，用于在图结构数据上进行节点分类和矩阵补全任务，并采用一种迭代学习算法来提高模型性能，并在试验中展示了当训练数据少时，该方法提供更好的性能。

    Nov, 2018

  • 基于梯度的归因方法解释和理解图卷积神经网络

    本文提出了一种 Node Attribution Method (NAM) 梯度归因分析方法和 Node Importance Visualization (NIV) 方法，用于分析处理非格型关系数据如图形的图卷积神经网络（GCN）模型，并得出模型对 GCN 输出的贡献从而解决现有分析方法难以解释 GCN 预测结果的问题。

    Mar, 2019

  • 自监督训练的图卷积网络

    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

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019

  • 文本分类中的图卷积网络理解

    本文分析了图卷积网络（GCN）在文本分类中的节点和边嵌入方式以及学习机制的影响，并在不同文本分类基准下得出了有用的结论。

    Mar, 2022

  • 适应传播机制的强力图卷积网络，用于同构性和异构性

    本文提出了一种新的传播机制，可以智能地根据同类和异类节点之间的同质性或异质性自动更改传播和聚合过程，并基于拓扑和属性信息学习同质性度量方法，以刻画不同类别节点之间的相似度，在七个现实世界数据集上实验表明该方法优于现有方法。

    Dec, 2021

  • 半监督学习的图拉普拉斯正则化图卷积网络

    本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法，该方法通过编码图结构和节点特征同时保持局部不变性约束，用于图数据表示和半监督分类，并在实验中证明了其有效性。

    Sep, 2018