Nov, 2021

关于节点特征缺失图学习中特征传递效果的不合理有效性

PDF
TL;DR本研究提出了一种名为 Feature Propagation 的方法，通过 Dirichlet 能量的最小化处理缺失特征值，得到在图机器学习领域中处理缺失功能数据的方法。研究表明，该方法在节点分类基准测试中的表现优于以前的方法，并且可以经受极高比例的缺失特征。
graph neural networksmissing featuresfeature propagationnode-classificationdirichlet energy
发现论文，激发创造
  • 通过节点特征传播进行图神经网络的主动学习

    本研究提出并验证了一种基于图神经网络的主动学习方法，应用于节点分类任务，其中通过节点特征传播和 K-Medoids 聚类完成样本的选取，并在四个基准数据集上实验进行验证，结果表明该方法优于其他基准方法。

    Oct, 2019

  • 包含缺失特征的图形卷积网络

    该文提出了一种基于高斯混合模型的图卷积神经网络方法，有效解决了节点特征信息不完整所带来的性能退化问题，实现了端到端的特征填充和图学习过程，并在节点分类和链路预测任务中明显优于基于特征填充技术的方法。

    Jul, 2020

  • 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

  • 随机特征增强图神经网络

    本文研究了图神经网络的表达能力，发现其存在局限性。作者提出为每个节点添加随机特征，这样 GNN 就能够学习一些最优多项式时间近似算法，同时该方法方便与其他 GNN 模型结合使用。经实验证明，加入随机特征的 GNN 能够解决一些无法被传统的 GNN 模型解决的问题。

    Feb, 2020

  • 图神经网络的最优传播学习

    本文提出一种基于双层优化的方法，通过直接学习个性化 PageRank 传播矩阵以及下游半监督节点分类并同时进行学习，学习最佳的图结构，并探索低秩逼近模型以进一步降低时间复杂度。实证评估表明，所提出的模型在所有基线方法中具有更高的有效性和鲁棒性。

    May, 2022

  • 基于节点自适应传播的加速可扩展的图神经网络推理

    大规模图的实时推断对于图神经网络 (GNNs) 提出了一项重大挑战，但我们提出了一种在线传播框架和两种新的节点自适应传播方法来加速可扩展 GNNs 的推断过程，并通过简单的超参数灵活管理准确性和时延之间的平衡。此外，我们进一步提出了 Inception Distillation 来弥补推断准确性损失，实验结果显示我们的方法在精确性和效率上优于现有的图推断加速方法。

    Oct, 2023

  • 一种基于图的性能分析新型表示学习技术

    将表格形式的性能数据转换为图形，利用图神经网络方法捕捉特征和样本之间复杂的关系，以提高回归任务的性能分析领域中的预测模型的性能。

    Jan, 2024

  • 图消除网络

    通过消除冗余进行邻域传播的算法，图消除网络（GENs）提升了节点感知远距离邻域的能力并扩展了网络传播深度。大量实验表明，GENs 在各种图级和节点级数据集上优于现有方法。

    Jan, 2024

  • 图上自适应特征传播：超越低通滤波器

    提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

    Mar, 2021

  • SF-GNN：深度图神经网络中的消息无损传播自过滤

    图神经网络（GNN）通过传播和聚合的方式对图的结构信息进行编码，取得了显著的表征学习性能，但是仅仅叠加 GNN 层可能不会提高模型的性能，甚至可能有害。针对深层 GNN 出现的性能下降现象，我们提出了一种新的观点。我们认为这个问题不是过度平滑或过度压缩的原因，而是由于消息传递过程中低质量节点表示的干扰。我们引入了一种简单而通用的方法 SF-GNN 来解决这个问题。在 SF-GNN 中，我们为每个节点定义了两个表示，一个是节点本身的特征表示，另一个是专门用于传播消息到邻居节点的消息表示。通过自过滤模块评估节点表示的质量，并根据质量评估决定是否将其整合到消息传播中。对同质和异质图的节点分类任务以及知识图谱的链接预测任务的实验表明，我们的方法可以应用于各种 GNN 模型，并在解决深层 GNN 性能下降方面优于现有方法。

    Jul, 2024