WSDMNov, 2020

通过拓扑去噪实现鲁棒图神经网络的学习降维

PDF
TL;DR本文提出了一种基于参数化拓扑去噪网络的 GNN 模型（PTDNet），可以通过学习去除任务无关的边来提高 GNN 模型的稳健性和泛化性能，并在各种任务中（如节点分类和链接预测）均有显著的性能提升，特别是在噪声数据集上性能提升更为明显。
graph neural networksptdnettopological denoising networktask-irrelevant edgesgeneralization performance
发现论文，激发创造
  • 使用拓扑自适应边缘删除训练鲁棒性图神经网络

    该论文提出一种名为 TADropEdge 的自适应数据增强技术，通过考虑图连接性这一重要属性，将随机边删除与图结构信息结合，以生成更为可靠的增强数据，实现了提高图神经网络泛化性能的目的。

    Jun, 2021

  • 基于图去噪的鲁棒图神经网络

    这篇研究提出一种鲁棒的图神经网络实现方法，明确考虑了观察拓扑中的扰动，通过优化可学习参数和真实图形来解决非可微且受限制的优化问题，适用于各种类型的图形，并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。

    Dec, 2023

  • 利用图形去噪策略网络学习鲁棒表示

    本文提出了 Graph Denoising Policy Network (GDPNet) 方法，使用增强学习从噪声图数据中学习鲁棒的低维表示，并在多个数据集上的节点分类任务中表现出优越性能。

    Oct, 2019

  • 面向带有稀疏标签噪声图的鲁棒图神经网络

    本篇论文研究如何开发一种具有噪声图和有限标记节点的噪声阻抗图神经网络，通过采用噪声边作为监督来学习去噪和密集图的新框架，并利用生成的边来规范化未标记节点的预测，以更好地训练图神经网络。实验结果表明，所提出的框架在具有有限标记节点的噪声图上具有鲁棒性。

    Jan, 2022

  • 张量视图拓扑图神经网络

    图分类是一项重要的图结构数据学习任务，我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN)，利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法，能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中，TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。

    Jan, 2024

  • 树分解图神经网络

    本文提出了一种基于树分解的图神经网络，可减轻不同层之间的特征平滑，并利用多跳依赖来聚合信息，实验结果表明其在 homophily 和 heterophily 网络的节点分类设置下有卓越的表现。

    Aug, 2021

  • 增强稀疏图中图神经网络对拓扑变动的鲁棒性

    图神经网络（GNN）在节点分类中得到广泛应用，但最近的研究表明 GNN 对拓扑扰动如对抗攻击和边缘中断很容易受到攻击，为了克服这些问题，我们提出了一种新的标签推断框架 TraTopo，它结合了基于拓扑的标签传播、贝叶斯标签转换和随机游走的链接分析，并在稀疏图上超过了现有的 GCN 模型，在节点分类中表现出更高的准确性。

    Jun, 2024

  • 基于 $p$-Laplacian 的图神经网络

    本文提出了一种新的 GNN 模型：$^p$GNN，它实现了细胞特征和拓扑信息的同时分类，特别适用于异质图，其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。

    Nov, 2021

  • 图神经网络作为图信号去噪的统一视角

    本篇论文针对图结构数据的表征学习中的聚合操作进行研究，探究 GCN、GAT、PPNP、APPNP 等 GNN 模型的聚合过程与图像去噪问题之间的通用性，进而提出统一图神经网络框架 UGNN，并基于此开发了 ADA-UGNN 模型，通过实验验证了其在自适应平滑性的图中的有效性。

    Oct, 2020

  • 拓扑图神经网络

    TOGL 是一种新颖的层，它将一个图的全局拓扑信息与持久同调结合，可轻松集成到任何类型的 GNN 中，在合成和真实数据集上的分类任务中表现出更好的预测性能。

    Feb, 2021