ICMLDec, 2021

正则化贝叶斯图卷积神经网络的邻域随机游走图采样

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。
graph neural networkbayesian frameworksemi-supervised node classificationmarkov chain monte carlovariational inference layer
发现论文，激发创造
  • 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

  • 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

  • 带有邻居交互的双线性图神经网络

    本文提出了 Bilinear Graph Neural Network (BGNN) 作为一种新的图卷积运算符，它增加了邻居节点表示的成对交互，从而在半监督节点分类任务中提高了 GNN 的表示能力。实验结果表明，BGNN 模型的性能优于现有的 GNN 模型。

    Feb, 2020

  • 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

  • 图随机神经网络用于图半监督学习

    提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架，通过设计随机传播策略来进行图数据增强，并利用一致性正则化优化不同数据增强下未标记节点的预测一致性，实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上，并且缓解了过度平滑和非鲁棒性问题，展现了比现有 GNN 更好的泛化行为。

    May, 2020

  • 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

  • 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

  • NetGAN：通过随机游走生成图形

    NetGAN 是第一个用隐式生成模型来模拟真实网络的方法，通过学习偏置随机游走在输入图上的分布来生成图形。该方法基于生成离散输出样本的随机神经网络，并使用 Wasserstein GAN 目标进行训练。尽管未经过特意训练，NetGAN 在链路预测性能方面表现出强大的泛化能力。

    Mar, 2018

  • BNS-GCN: 使用分区并行和随机边界节点抽样的图卷积网络高效全图训练

    本研究提出一种名为 BNS-GCN 的简单而有效的方法，采用随机边界节点采样，提高了分布式 GCN 训练的吞吐量 16.2 倍，减少了内存使用量高达 58％，同时保持全图精度的稳定性，为实现大规模 GCN 训练开辟了一条新的途径。

    Mar, 2022

  • 使用 Line 图神经网络进行监督式社群检测

    使用图神经网络的有监督学习方法来解决社区检测问题，并在数据驱动和无准入下表现出比信念传播算法更好的性能，同时在实际数据集上也获得了良好的表现，此外，对于使用线性 GNN 进行社区检测问题训练的优化梯度的第一次分析也被给出。

    May, 2017