WWWOct, 2020

解耦图卷积神经网络与标签传播的等效性

PDF
TL;DR本文从标签传播的角度探索了解耦后的图卷积网络，证明其本质上与两步标签传播是一致的，并揭示了其有效性，提出了一种新的标签传播方法，Propagation then Training Adaptively (PTA)，通过动态自适应加权策略克服了解耦后的 GCN 的缺陷。该方法在四个基准数据集上得到经验证明优于现有方法。
发现论文，激发创造
  • 统一图卷积神经网络和标签传播

    本文探讨了标签传播 (LPA) 算法与图卷积神经网络 (GCN) 在节点分类领域中的关系，并基于理论分析提出了一种端到端模型，它将标签传播作为正则化来协助 GCN 学习正确权重，提高了节点分类的准确性。

    Feb, 2020

  • 预测后传播：图神经网络遇见个性化 PageRank

    本文通过引入 PageRank 的个性化传播机制，构建了 PPNP 和其快速逼近版本 APPNP 两种新的方法，其训练速度相当或更快，参数数量相当或更少，并且与任何神经网络结合使用， 用于半监督分类，在最彻底的 GCN-like 模型的研究中，展示了该模型胜过几种近期提出的方法。

    Oct, 2018

  • 自适应传播图卷积网络

    本文提出了一种自适应传播的图卷积网络（AP-GCN），通过节点自适应的通信步数和交换协议来平衡通信和精确度的关系，实现了优秀的图数据推断表现。

    Feb, 2020

  • 一种统一的生成模型用于图学习算法：标签传播、图卷积和组合

    本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。

    Jan, 2021

  • 结合标签传播和简单模型胜过图神经网络

    通过实验证明，在许多标准的节点分类基准测试中，结合忽略图结构的浅层模型和利用标签结构相关性的两个简单的后处理步骤可以比 GNN 在性能上优秀或者与之匹配，同时仅需使用一小部分 GNN 的参数并拥有更快的运行时间。

    Oct, 2020

  • 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

  • 元传播网络用于图少样本半监督学习

    本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

    Dec, 2021

  • 线性图卷积网络中扩散过程的解剖

    通过对连续图扩散的角度解剖了线性 GCNs 的特征传播步骤，分析了为什么线性 GCN 不能从更多的传播步骤中受益。随后，我们提出解耦的图卷积（DGC），分离终端时间和特征传播步骤，使其更灵活，能够利用非常多的特征传播步骤。实验表明，我们提出的 DGC 显著改善了线性 GCNs，并使它们能够与许多现代非线性 GCNs 的变体竞争。

    Feb, 2021

  • 图形节点分类的标签高效正则化和传播

    本文提出了一种名为 LERP 的新方法解决 GraphHop 方法在分类节点时出现的两个缺陷，并在多个数据集上进行实验，表明 LERP 方法在极低标签率下表现最佳。

    Apr, 2022

  • 基于图卷积网络的弱监督图像语义分割

    本研究提出了一种基于图卷积网络的特征传播框架，将完整的伪标签的生成作为半监督学习任务来解决弱监督图像语义分割问题，并在 PASCAL VOC 2012 数据集上通过实验得到了比其他最先进的基线方法更好的结果。

    Mar, 2021