Apr, 2021

图神经网络增强的拓扑正则化

PDF
TL;DR本文针对图数据的复杂性和非欧几里德结构，提出了一种基于拓扑正则化的图节点特征增强方法，其中将拓扑结构信息引入端到端模型，并在此基础上运用了对随机游走的无监督表示学习方法获得节点拓扑嵌入，同时使用图神经网络进行传输，有效地提高了性能表现。
graph datadata augmentationtopological regularizationrepresentation learninggraph neural network
发现论文，激发创造
  • 图神经网络的数据增强

    本文介绍了一个名为 GAug 的图数据增强框架，并讨论了在图形神经网络 (GNN) 上进行数据增强的实际动机、考虑因素和策略，重点介绍了如何通过神经边缘预测器有效地提高节点分类性能。实验结果表明，通过 GAug 的数据增强可以提高 GNN 的性能，适用于多种基准数据集和架构。

    Jun, 2020

  • 高度网络表示学习的高效拓扑感知数据增强

    TADA 是一种前置数据增强框架，用于高度图中的图神经网络，通过结构嵌入和拓扑属性感知图稀疏化的方式，提高了主流 GNN 模型在节点分类任务上的预测性能。

    Jun, 2024

  • 图增强聚类网络

    该研究提出了一种新颖的图增强聚类网络，通过自适应增强初始图的方法，能够实现更好的聚类性能，实验结果表明该方法在六个基准数据集上的表现优于现有的几种先进方法。

    Nov, 2022

  • 图神经网络的本地增强

    本研究提出一种数据增强策略 —— 局部增强，即通过采样与中心节点特征相关联的其它节点特征的条件分布来增强 GNN 模型的表达能力， 使用局部增强方法可以在各种 GNN 体系结构和数据集上获得稳定的性能提升，例如在 Cora，Citeseer 和 Pubmed 上平均测试准确率分别提高了 3.4％和 1.6％，同时，也能够在大型图 (OGB) 上提高模型的性能。

    Sep, 2021

  • 深度图学习的数据增强：综述

    本文对图数据增强技术及其在图神经网络领域中的应用进行了综述，提出了增强信息模态分类的分类法并概括了可靠图学习和低资源图学习中的代表性应用，并回顾了已有的相关文献。最后，我们指出了未来研究中的机遇和挑战。

    Feb, 2022

  • 重新思考图神经网络的图正则化

    在图神经网络中，传统的图拉普拉斯正则化对现有 GNN 的性能提升不大，提出了一种名叫 P-reg 的图拉普拉斯正则化变体，可以有效增加信息熵，提升现有 GNN 模型在节点级和图级任务上的性能。

    Sep, 2020

  • 关于图神经网络和特征增强策略在社交网络分类中的能力

    本研究对四种图神经网络架构及五种节点人工特征进行分析，应用于分类任务，并比较它们在不同隐藏层维度下的性能。结果表明，高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。

    Jan, 2024

  • 增强实际复杂网络表示的超边扩充

    通过构建虚拟超边并提取相应信息以增强图神经网络（GNN）在下游任务中的性能，Hyperedge Augmentation（HyperAug）方法能够显著超越 GNN 基线和其他图增强方法，在各种实际应用背景下，有效地将高阶节点关系整合到图增强方法中来处理实际复杂网络。

    Feb, 2024

  • 大规模图形的数据增强鲁棒优化

    本文提出基于对抗扰动的方法，通过扩充图数据中的节点特征来提高 GNN（Graph Neural Networks）的性能，从而使模型对输入数据的小波动具有不变性，帮助模型泛化到分布外的样本并提高性能。该方法适用于节点分类、连接预测和图分类任务，具有高度的灵活性和可扩展性，并可在任意 GNN 骨干结构和大规模数据集中使用。

    Oct, 2020

  • 缓解邻居偏差：通过结构等价正样本增强图自监督学习

    本文提出了一种基于拓扑信号驱动的自监督学习方法，通过使用多尺度的拓扑信息特征和具有高结构等价性的非邻居节点对之间的拖拽作用，解决了现有图神经网络中的邻近偏见问题，并在七个图数据集上的节点分类任务中有效提高了模型性能。

    Dec, 2022