ICLRNov, 2021

冷酿：利用不完整或缺失邻居提炼图节点表示

PDF
TL;DR本论文提出了一种称为 Cold Brew 的教师 - 学生蒸馏方法，用于解决基于图神经网络中的严格冷启动问题 (SCS)，通过引入特征贡献比 (FCR) 的指标来量化归纳式图神经网络的行为，以帮助选择最佳体系结构，实验证明 Cold Brew 在多个数据集上具有卓越的性能。
graph neural networksnode classificationstrict cold startteacher-student distillationfeature contribution ratio
发现论文，激发创造
  • 为冷启动用户和物品预训练图神经网络的表示

    通过预训练 Graph Neural Networks 模型来解决冷启动问题，采用元聚合器和自适应邻居采样器来增强图卷积的聚合能力和选择有效邻居，实验结果表明在用户 / 项目嵌入推断和推荐任务方面优于原始的 GNN 模型。

    Dec, 2020

  • 用于生长图的生成图卷积网络

    本研究提出了一种统一的生成图卷积网络，通过从现有图数据构建生成图序列的采样，在生成模型框架中自适应地学习所有节点的节点表示，同时使用图重构项和自适应 KL 正则化项对变分下限进行优化，解决了无法处理孤立新节点的问题。

    Mar, 2019

  • ColdGuess: 一种通用而有效的关系图卷积网络用于应对冷启动情况

    本研究提出了基于异构卖家产品图的归纳式图形风险预测器 ColdGuess，能够高效地对规模庞大的产品进行打分以辨别风险，且已在生产环境中得到应用，其在新卖家销售新产品时性能甚至高于 lightgbm 34 个百分点

    May, 2022

  • 利用属性图神经网络解决推荐中的冷启动问题

    本研究提出了一种基于属性图的新型神经网络框架，通过学习不同形态属性之间的分布，可以为冷启动用户 / 物品生成偏好嵌入，同时提出了 gated-GNN 对不同属性进行有效聚合，实验结果表明，在冷启动推荐中取得了显着的改进，并且在温热启动情况下表现优异。

    Dec, 2019

  • 基于知识迁移的图少样本学习

    本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

    Oct, 2019

  • 节点复制提高冷启动链路预测

    通过使用名为 NodeDup 的简单但有效的增强技术，研究论文提出了一种改进 GNN 对低度节点的链接预测性能的方法，从而在不损害高度节点性能的同时，在低度节点上显著改善性能。

    Feb, 2024

  • 正则化贝叶斯图卷积神经网络的邻域随机游走图采样

    本论文介绍了一种新算法 ——Bayesian Graph Convolutional Network using Neighborhood Random Walk Sampling (BGCN-NRWS)，使用基于 Markov Chain Monte Carlo (MCMC) 的图采样算法利用图结构，通过使用变分推断层来减少过拟合，并且在半监督节点分类方面与现有技术保持竞争性结果。

    Dec, 2021

  • STAR-GCN：堆叠和重构的图卷积网络用于推荐系统

    本文介绍了一种名为 STAR-GCN 的新型图卷积神经网络模型，用于推荐系统中节点表示的学习，尤其是在冷启动场景中。STAR-GCN 采用一堆 GCN 编码器 - 解码器和中间监督来提高最终预测性能。与具有一次性编码节点输入的图卷积矩阵完成模型不同，STAR-GCN 学习低维度的用户和项目潜在因素作为输入，以抑制模型空间复杂性。此外，STAR-GCN 可以通过重构蒙版输入节点嵌入来为新节点产生节点嵌入，从而本质上解决了冷启动问题。此外，我们还发现了训练 GCN 模型进行链接预测任务时的标签泄漏问题，并提出了一种训练策略以避免这个问题。我们在多个评分预测数据集上进行了实证研究，结果表明我们的模型在五个真实世界数据集中的四个中实现了最先进的性能，并且在预测冷启动场景中的评分方面显示出了显著的改进。

    May, 2019

  • 通过改善具有局部混合模式的图的同配性来突破图神经网络的限制

    在图神经网络中，提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式，进而设计了一种改进的计算图结构，并在此基础上提出一种自适应选择结构与接近度信息的模型，以取得更好的性能，其中针对半监督节点分类任务进行的实验也取得了良好的结果。

    Jun, 2021

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019