May, 2021

图形净化，用于节点分类应用

PDF
TL;DR该研究提出了图形消毒问题，通过学习更好的图形作为挖掘模型的一部分，期望有助于从清除，填补到防御等不同应用中获得更好的结果。将该问题格式化为二层优化问题，并通过半监督节点分类来实例化，并提出了一种名为 GaSoliNe 的有效求解器。广泛的实验结果表明，该方法可以广泛适用于不同的图神经网络模型和灵活的图修正策略，并在不同扰动场景中有效地提高节点分类准确性。与现有鲁棒图神经网络方法相比，性能提高了高达 25% 。
graph sanitizationmining modelbilevel optimizationsemi-supervised node classificationgraph neural network
发现论文，激发创造
  • 具有噪声结构的图的主动学习

    我们提出了一个名为 GALClean 的主动学习框架，它采用迭代方法同时进行数据选择和图纯化，具有理论上的 EM 算法支持，并且在各种类型和级别的噪声图上表现出有效性和健壮性。

    Feb, 2024

  • 半监督分类的图推理学习

    本文提出一种用于半监督图节点分类的 “图推理学习”(GIL) 框架，通过学习节点标签的推理，提高分类性能，定义节点属性、节点路径和局部拓扑结构之间的结构关系，从而方便地从一个节点推导出另一个节点的推理，通过在训练节点到验证节点上进行结构关系的元优化，使学习到的图推理能力更好地适应测试节点。在四个基准数据集上进行了全面评估，结果表明，与半监督节点分类任务中最先进的方法相比，我们提出的 GIL 方法具有卓越的性能。

    Jan, 2020

  • 跨图元算归纳节点分类

    本文介绍了一种名为 MI-GNN 的基于元学习范式的元 + 归纳框架，以定制归纳模型以适应每个图表的方法。 MI-GNN 在图和任务级别上都采用双适应机制，对来自同一领域内不同的图表进行自适应，提高了半监督节点分类的性能。

    May, 2021

  • 半监督图分类：分层图视角

    本研究提出了一个基于半监督学习的图学习方法，将节点分类问题扩展到了节点本身为图实例的层次图中，并设计了两种新的分类器，同时基于有监督的自我关注图嵌入方法将任意大小的图嵌入到固定长度的向量中，实验表明 SEAL-C/AI 方法不仅在准确率和 Macro-F1 方面优于竞争方法，而且生成的学习表示具有有意义的解释。

    Apr, 2019

  • 在低数据约束下探究图分类技术：一项综合研究

    本综述论文简要概述了关于图数据增强和小样本学习的最新研究，涵盖了包括节点和边的扰动、图粗化和图生成在内的图数据增强技术，以及元学习和模型无关元学习等小样本学习的最新发展。该论文深入探讨了这些领域，并进一步对其进行细分分类，同时还概述了基于规则的方法和基于学习的方法在图增强技术下的调查结果。针对图上的小样本学习，也研究了度量学习技术和基于优化的技术。总的来说，本论文提供了广泛的技术组合，可用于解决低数据情况下的图处理问题。

    Nov, 2023

  • 使用图神经网络的不平衡节点分类方法 (GraphSMOTE)

    开发在图领域针对类别不平衡的 GNN 分类器的重要性，GraphSMOTE 框架综合利用了合成少数类过度采样算法和嵌入空间，使大类和小类样本的特征相对不变并提供了关系信息提高了分类器的准确性。

    Mar, 2021

  • GraphSAC：大规模图中的异常检测

    引入了基于图采样和共识（GraphSAC）方法来有效检测大规模图中的异常节点，GraphSAC 随机抽取子集节点，通过半监督学习模块估计节点的标签分布，同时滤除由异常节点污染的集合，通过对不同的异常模型进行实验，GraphSAC 相对于现有的最先进的方法具有明显的优势。

    Oct, 2019

  • 半监督分层图分类

    本研究提出一种名为 SEAL-CI 的半监督节点分类算法，针对具有层次图结构的节点进行建模，使用分层图互信息作为一个约束条件，能够提高图分类的准确性和效率。

    Jun, 2022

  • N-GCN：用于半监督节点分类的多尺度图卷积

    该研究提出了一种名为 N-GCN 的模型，将图卷积网络和随机游走中的信息融合，训练多个 GCNs 实例，并学习组合不同距离下的节点对的实例输出，实现优化分类目标。实验证明，该模型在节点分类任务上表现优异，具有良好的通用性和鲁棒性。

    Feb, 2018

  • 通过拓扑样本选择缓解图上的标签噪声

    我们提出了一种基于拓扑信息的拓扑样本选择方法（TSS），通过利用拓扑信息来提高图中信息样本的选择过程，从而解决在非独立同分布图数据和 GNN 中的样本选择中存在的问题。通过理论证明，我们的方法在清洁目标分布下最小化了预期风险的上界，并在实验中与最先进的基线模型相比展示了我们方法的优越性。

    Mar, 2024