Dec, 2021

正则化贝叶斯图卷积神经网络的邻域随机游走图采样

HTML
PDF
TL;DR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。
发现论文，激发创造
  • FastGCN:基于重要性采样的图卷积网络快速学习

    本文提出一种名为FastGCN的基于Monte Carlo方法的图卷积神经网络批量训练方案，实现了对于大型、密集图的高效训练和推理。实验证明该方案与GCN和相关模型相比，训练效率极大提高并且预测结果保持准确。

    Jan, 2018

  • 贝叶斯图卷积神经网络用于半监督分类

    本文提出一种贝叶斯图卷积神经网络的框架，用于在图结构数据上进行节点分类和矩阵补全任务，并采用一种迭代学习算法来提高模型性能，并在试验中展示了当训练数据少时，该方法提供更好的性能。

    Nov, 2018

  • 基于置信度的图卷积网络用于半监督学习

    本文提出了ConfGCN，并使用其估计的置信度来在邻域聚合期间检测节点之间的相互影响，从而获得了各向异性的能力，从而在标准基准测试中超过了现有技术水平的基线，以解决基于GCN的设置下缺乏置信度评估的问题。

    Jan, 2019

  • 使用节点复制的贝叶斯图卷积神经网络

    本文介绍了一种基于复制节点的图形生成模型，将其纳入贝叶斯GCNN框架内，并利用节点特征和训练标签来推断图形拓扑结构，实验证明该算法在基准节点分类任务中表现优异。

    Nov, 2019

  • 具有自适应连接采样的贝叶斯图神经网络

    我们提出了一个统一的自适应连接采样框架，该框架可以泛化现有的用于训练GNN的随机正则化方法，并消除深度GNN的过度平滑和过拟合趋势，并允许在GNN图分析任务中具有不确定性的学习。将自适应连接采样与GNN模型参数以全局和局部方式联合训练，证明了使用自适应连接采样自适应性地学习给定图形训练数据的采样率是提高GNN性能的关键。

    Jun, 2020

  • 一种统一的生成模型用于图学习算法：标签传播、图卷积和组合

    本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法， 并给出了一个新的算法叫做线性图卷积， 在实际数据上表现出色。

    Jan, 2021

  • 图后验网络：基于贝叶斯的节点分类预测不确定性

    本研究探讨了图中非独立节点预测的不确定性量化方法，并提出了一种名为图后验网络（GPN）的新模型，该模型采用贝叶斯后验更新技术并在节点分类中表现出优越性能。

    Oct, 2021

  • 图形的贝叶斯深度学习

    本文讨论了适应性结构数据处理的问题，提出了一种基于贝叶斯深度学习框架的图形学习方法，该方法可用于处理具有不同连续边缘特征的图形，生成无监督的嵌入向量，并展示出良好的性能。该文的最终目标是提供深度学习领域的贝叶斯透视。

    Feb, 2022

  • AGS-GNN：面向图神经网络的属性引导抽样

    我们提出了AGS-GNN，这是一种新颖的属性引导采样算法，用于图神经网络（GNNs），在处理同质图和异质图时利用节点特征和连接结构，通过采样相似和多样的邻居样本适应同质性和异质性。

    May, 2024

  • 图神经网络的概率传递：图结构与表示的联合学习

    提出了一种概率传递基于图神经网络的方法，利用Latent Graph Inference框架将生成的图结构和节点特征输入到GNN中进行预测，通过聚合邻居节点的边概率来改进生成的图结构，并使用基于锚点的技术减少复杂性和提高效率。实验证明了该方法的有效性。

    Jul, 2024