KDDJun, 2021

异质性如何影响图神经网络的鲁棒性？理论联系和实践含义

PDF
TL;DR研究图神经网络中的异质性标签与 GNN 对抗性攻击鲁棒性之间的关系，并且证实采用相应设计原则可以提高 GNN 的鲁棒性，实验证明采用这种设计可以比未接种疫苗的模型实现更好的鲁棒性，并且采用防御机制可以使其鲁棒性更强，性能提高达 18.33%。
发现论文，激发创造
  • 异质友善信息增强图神经网络

    在异质性的情况下，图神经网络（GNNs）往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习，进而构建了一种新的图结构 HiGNN，该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较，我们验证了 HiGNN 在改进图表示方面的有效性，并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法，以及在真实世界数据集中的同质性程度，从而证明了我们方法的功效。

    Mar, 2024

  • 图神经网络中超越同构性：现有限制与有效设计

    该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合，设计出一种草图神经网络（H2GCN），并通过实验表明其在半监督节点分类任务下，具有比传统模型更高的预测准确率，尤其对于异质性网络（即一对连接的节点可能具有不同的类别标签和不同的特征）表现更出色。

    Jun, 2020

  • 重新审视异质性对图神经网络的影响

    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

  • 异质图上的图神经网络综述

    本文首次全面回顾了异态图神经网络，提出了系统的分类法，分析了主要异态图神经网络模型，总结了主流异态图基准，并指出了未来研究和应用方向。

    Feb, 2022

  • 保持邻居相似性的全局鲁棒图神经网络

    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

  • 异质性是否对图神经网络进行节点分类造成实质性威胁？

    本文提出了 Adaptive Channel Mixing 框架，利用聚合，多样化和恒等通道来以自适应的方式解决 Graph Neural Networks 中的有害异质性问题，并在 10 个真实世界节点分类任务中获得了显着的性能提升。

    Sep, 2021

  • 图神经网络中本地同质水平的性能差异

    理论和实证研究表明，图神经网络可能过度依赖于用于训练的全局同质性，需要设计出更适应大范围局部同质性的图神经网络。

    Jun, 2023

  • 同赋关系对于图神经网络的必要性？

    本研究发现传统的 GCN 比使用新架构的 GNN 在特定条件下在某些常用异质图上表现更好，证实了同质性不是良好 GNN 性能的必要条件。

    Jun, 2021

  • 图神经网络结构差异的解密：一个大小适合所有问题么？

    本文研究了 GNN 在同构和异构图中节点分类性能的差异。我们提出了一种非 i.i.d PAC-Bayesian 概率界，并通过特征聚合距离和同质比异质性差异解释了性能差异，并证实了较深的 GNN 的有效性。此外，我们发现了图形分布偏移问题的一个新因素，并提出了相应的新场景。

    Jun, 2023

  • 超越同质性：重构图形结构进行对图形不可知聚类

    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