本文研究异构图神经网络 (HGNNs) 的课程学习技术应用，设计了一种损失感知的训练进度表，命名为 LTS，该表度量数据的每个节点的质量，并逐步增加难度地将训练数据集融入模型中。LTS 可无缝集成到各种框架中，有效减少偏差和方差，减轻噪声数据的影响，并提高整体准确性，从而展示了课程学习在增强 HGNNs 分析复杂图结构数据能力方面的功效。

Feb, 2024

图神经网络 (GNNs) 在逐步沿边传播和聚合消息来表示具有依赖性的数据方面取得了巨大的成功。然而，现实世界中的图中的边通常具有不同程度的难度，甚至有些边对下游任务来说是有噪声的。因此，现有的 GNNs 可能导致子优化的学习表示，因为它们通常会将图中的每条边都视为相等的。另一方面，课程学习 (Curriculum Learning, CL) 模仿了按照有意义的顺序学习数据样本的人类学习原则，在提高表示学习器的泛化能力和鲁棒性方面已被证明是有效的。然而，现有的 CL 策略是为独立数据样本设计的，不容易推广到处理数据依赖性。为了解决这些问题，我们提出了一种新颖的 CL 策略，根据训练状态下期望给出的边的难度逐步将更多的边纳入训练中，其中难度程度由边的表现良好程度来衡量。我们通过对九个合成数据集和九个现实世界数据集进行广泛实验证明了我们方法的优势。我们提出的方法的代码可在此链接获得：https://...

Oct, 2023

开发在图领域针对类别不平衡的 GNN 分类器的重要性，GraphSMOTE 框架综合利用了合成少数类过度采样算法和嵌入空间，使大类和小类样本的特征相对不变并提供了关系信息提高了分类器的准确性。

Mar, 2021

本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。

Jul, 2022

本文提出了一种基于进步性平衡抽样（PBS）的图对比学习框架（ImGCL），该框架可以平衡无标签图数据的节点表示，并且在多个不平衡图数据集和不平衡设置上证明了其有效性。

May, 2022

本文提出了一种名为 Consistent Graph Neural Network（CGNN）的新方法，它在图的标签噪声下仍然能够对节点进行分类，并通过基于同质性假设的样本选择技术来检测和纠正噪声标签。实验证明，与现有技术相比，CGNN 在三个基准数据集上具有更好的表现。

Jun, 2023

本文提出了一种联合学习图结构和图卷积网络参数的方法，从而可以在不完整、损坏或无法使用图的场景中应用图卷积网络，并通过实验证明，该方法的性能显著优于相关方法。

Mar, 2019

本文提出了一种名为 GraphDIVE 的基于节点嵌入的图分类不均衡问题的解决方案，使用多样的专家（即图分类器）进行图分类，通过分阶段训练实现对不均衡样本的有效分类。

Mar, 2021

在这篇论文中，我们介绍了一种独特的方法，通过考虑图异质性来解决图中的不平衡分类问题。我们研究了类别不平衡和图异质性之间的错综复杂关系，发现少数类别不仅样本稀缺，而且表现出较低的同质性水平，这导致错误信息在相邻节点之间传播。基于这一洞察，我们提出了一种名为 Fast Im-GBK 的高效方法，将不平衡分类策略与意识到异质性的图神经网络相结合，以有效解决类别不平衡问题，并显著减少训练时间。我们在实际图数据上的实验证明了我们的模型在节点分类任务中相比现有基线方法具有更好的分类性能和效率。

Oct, 2023

本篇论文提出了一种新的图形神经网络 GL-GNN，通过学习关系的图形和选择重要数据特征以解决未知图形、节点具有嘈杂特征和图形含有噪声连接等三个问题，并在多个数据集上与基线方法进行对比， 能够选择重要特征和图形边缘。

Oct, 2022