图上自适应特征传播:超越低通滤波器
提出了一种自适应混合图滤波方法(AHGFC)用于多视图图聚类,通过设计图联合处理和聚合矩阵,以使图中的低频和高频信号更可区分,进而基于图联合聚合矩阵学习节点嵌入,实验证明该方法在同质和异质图上表现出色。
Jan, 2024
图神经网络 (GNNs) 在各种图结构模式下的节点分类任务中已被证明非常有效。然而,现实世界的图通常展现出复杂的同构和异构模式的混合,使用统一的全局过滤器方法则不够优化。为解决这个问题,我们引入了一种新颖的 GNN 框架 Node-MoE,使用专家混合来自适应地选择不同节点的适当过滤器。广泛的实验证明了 Node-MoE 在同构和异构图上的有效性。
Jun, 2024
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
本文研究了图异质性对图神经网络性能的影响,提出通过设计自适应多项式滤波器和采用 MLP-Mixer 架构的 GPatcher 模型来解决这个问题,并在节点分类任务上取得了较好的性能。
Jun, 2023
对于图聚类问题,现有的图神经网络方法很难取得进展,同时大多数聚类方法只关注同质图而忽视异质图,限制了它们在实践中的适用性。本文提供了一种具有理论支持的新颖解决方案,通过邻居信息对同质性和异质性边进行识别,并构建高同质性和高异质性的图,用于构建低通滤波器和高通滤波器以捕获综合信息,并通过压缩 - 激励块增强重要特征,实验证明本方法在同质图和异质图上优于现有聚类方法。
Mar, 2024
本文提出了一种新的图聚类方法,包括三个关键组成部分:图重构、混合滤波器和双图聚类网络。实验结果表明,在 11 个基准图上,该方法在异质图上的表现优于其他方法。
May, 2023
在这篇论文中,我们探索了异质图中图神经网络的脆弱性,并在理论上证明了负分类损失的更新与基于聚合邻居特征的成对相似性呈负相关。为了解决这个问题,我们提出了一种名为 NSPGNN 的新型鲁棒模型,它在监督邻居相似性引导传播的过程中采用了双 k 最近邻图管道。通过广泛的实验证明,与现有方法相比,NSPGNN 在同质图和异质图上都具有普遍的鲁棒性。
Jan, 2024
本研究设计了一种新颖的图神经网络,通过自注意机制,优先适应不同的图的不同节点特征和拓扑结构,且考虑到正负权重和节点对称性,在处理同构和异构图分类任务上,相较于传统的图神经网络实现了最领先的性能。
May, 2023
本文通过重新评估广泛使用的同质性度量,并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法,并证明了 local diversification operation 可以有效解决一些有害的异质性情况,然后提出了 Adaptive Channel Mixing(ACM)框架来自适应地利用聚合,多样性和标识通道,从而从多样化的节点异质性情况中提取更丰富的局部信息。经过 10 项基准节点分类任务的评估,ACM-augmented 基线始终实现了显着的性能提升,超过大多数任务上的最新 GNN,而不会带来显着的计算负担。
Oct, 2022
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