KDDJul, 2021

关于非属性图上基于位置和结构节点的图神经网络特征

PDF
TL;DR本文介绍了两种构建人工节点特征的类型，包括位置和结构节点特征，并提供了对于每一种任务，即位置节点分类、结构节点分类和图分类，为什么每种节点特征更加适合的见解。此外，通过在 10 个基准数据集上进行广泛实验，验证了我们的洞察力，从而为非属性图上的 GNN 不同人工节点特征之间的选择提供了实用指南。
graph neural networksnode classificationartificial node featurespositional node classificationstructural node classification
发现论文，激发创造
  • 图神经网络中节点特征

    本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

    Nov, 2019

  • 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

  • 具有可学习的结构和位置表示的图神经网络

    本文提出了一种新的 GNN 网络架构 LSPE，通过引入可学习的位置编码对节点的结构表达和位置表达进行解耦，应用在分子数据集上的实验结果表明 LSPE 能显著提高模型性能。

    Oct, 2021

  • 预训练图神经网络用于通用结构特征提取

    本文提出一种预训练框架，使用合成图纹理来获取通用图结构信息，提高了已训练模型在不同下游任务上的性能。

    May, 2019

  • 位置感知图神经网络

    本文提出 P-GNN 方法，通过采样锚节点集并计算给定目标节点相对于所有锚节点的距离，从而学习距离加权聚合方案以产生具有位置感知能力的节点嵌入。实验结果表明该方法能有效地提升节点在图结构中的位置特征提取能力，达到了较好的实验效果。

    Jun, 2019

  • 关于位置节点嵌入和结构化图表示之间的等价性

    该研究提出了第一个统一的理论框架，将节点嵌入和结构图表示相结合，通过不变量理论证明了结构表示和节点嵌入之间的关系，证明了能够使用节点嵌入执行的所有任务也都可以通过结构表示执行，并且介绍了新的指南来生成和使用节点嵌入，修复了现有标准操作程序的显著缺点。

    Oct, 2019

  • 预训练与学习：为图神经网络保留全局信息

    该论文提出了一种名为 G-GNNs 的新型模型，通过无监督预训练获取节点的全局结构和属性特征，然后利用这些特征和原始网络属性，提出了一种 GNN 的并行框架以从这些特征中学习不同的方面。该模型的学习方法可应用于平面图和属性图，并通过 extensive experiments 在三个标准评估图上表现优异，特别地，在属性图学习方面，G-GNNs 在 Cora (84.31%) 和 Pubmed (80.95%) 上建立了新的基准记录。

    Oct, 2019

  • GNNs 究竟学习了什么？探究其表征

    本文研究了四种流行的图神经网络模型，探究了在没有节点属性可用的情况下这些模型所学习的节点表示中纯粹编码的图的哪些属性，并表明其中两个将所有节点嵌入同一特征向量中，而另外两个生成与输入图上的行走数量有关的表示。值得注意的是，在图的某一层 $k>1$，结构不相似的节点如果具有相同长度的行走次数，则可以具有相似的表示。我们在真实数据集上经验证实了我们的理论发现。

    Apr, 2023

  • 探索图神经网络中的标签位置偏差

    本文提出了一种新的评估指标 Label Proximity Score 来量化节点标签位置偏置，研究发现标签越靠近节点性能越好，为此，我们提出了一种全新的优化框架，用于学习无偏置的图结构，该方法不仅优于现有方法，而且在减轻 GNN 中标签位置偏差方面表现显著。

    May, 2023

  • 面向属性网络嵌入的协作图神经网络

    COllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构，通过选择性地传播来自相邻节点和相关属性类别的消息，并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色，超过了现有的嵌入算法。

    Jul, 2023