WWWFeb, 2022

探索边缘解缠技术用于节点分类

PDF
TL;DR本文提出了一种自我监督方法并设计了三个前置任务来指导自动边界分离，同时将其与下游节点分类任务一起训练，以促进通道的捕获可区分关系和邻域相互作用，并且输出它们作为节点表示。实验结果表明 DisGNN 在六个真实世界数据集上取得了显着的性能提升，为边缘分离和图学习提供了一种新的解决方案。
edge disentanglementgraph learningself-supervisionnode classificationdisgnn
发现论文，激发创造
  • 基于图的对比式解缠学习用于节点分类

    基于对比学习方法的成功，该文提出一种用于图上对比解缩的框架，采用了解缩编码器和两个经过精心设计的自监管信号，并使用该框架在 3 个引文网络上进行节点分类任务，实验结果验证了该框架的有效性。

    Jun, 2023

  • 可解释的深度图形生成 —— 节点、边的协同解耦

    本研究提出了一种新的解缠结生成模型的增强型框架，采用新的变分目标来解缠所有类型的潜在因子，并通过新的节点和边解缠架构进一步增强单因子的解缠度。定量定性实验表明，该模型扩展性强，能够高效地解决解缠在图像生成中的问题。

    Jun, 2020

  • 解缠空间时间图生成模型

    该论文旨在通过使用新的解缩深度生成模型，将时空图分解成空间，时间和图形因素以及解释它们之间相互作用的因素，并使用情报瓶颈理论来最大化这些因素之间的解缠，通过定性和定量实验，在合成和现实世界数据集上展示了该模型优于现有技术的表现。

    Feb, 2022

  • 生成对抗网络中的对比式解缠

    本文从对比学习的角度提出了一种新的对抗生成网络（CD-GAN）来解决因潜变量的后验推断和缺乏样本似然性而难以实现的生成模型因果解释的问题，它通过对比图像特征来实现对数据中不同类之间可辨别属性的提取，并通过仅有的有限监督来提高模型的性能。实验结果表明了该模型在多个数据集上对数据进行高效的可解释性特征提取。

    Mar, 2021

  • 自监督边特征改进图神经网络训练

    本文介绍了一种使用自监督和无监督学习相结合的方法创造新的边特征的框架，并结合基于 Popular GNN 架构提取的节点特征，通过一个端到端的训练方案用于节点分类。在三个生物数据集上验证了这种方法，该方法对基线 Graph Attention Network (GAT) 和 Graph Convolutional Network (GCN) 模型有更好的效果，并且通过关注边和节点特征的机制，能够解释决定 COVID-19 的过程和严重程度的细胞类型和基因，为潜在疾病生物标记物和治疗靶点的不断发现做出贡献。

    Jun, 2020

  • 促进独立性的图解开网络

    本文提出了一种利用 Hilbert-Schmidt 独立准则以及邻域路由机制实现图卷积网络中的解缠编表示学习方法，能够提高结点表示的独立性，实验结果验证了该算法在半监督图分类、图聚类和图可视化等网络应用中的有效性。

    Nov, 2019

  • 通过学习解耦因果子结构来消除图神经网络的偏见

    本文研究了图神经网络的偏差问题及其对泛化性能的影响，并提出了一种能够将因果关系和偏差变量进行分离的图神经网络框架，其中利用参数化边缘生成器将输入图形分为因果图和偏差子图并分别训练两个 GNN 模块，实现了对原模型的改进并取得了超越基线模型的泛化效果。

    Sep, 2022

  • 一种因果解耦的多粒度图分类方法

    该研究论文提出了一种因果解缠多粒度图表示学习方法（CDM-GNN），用于解决图数据建模中多粒度特征的融合问题，该方法在图分类任务中表现出强大的性能，并生成与人类认知模式相一致的解释结果。

    Oct, 2023

  • 在有向带符号图中学习无社交假设的解耦表示

    本文提出了一种不依赖社会假设的学习有向带符号图中解耦节点表示的方法 DINES，采用解耦框架来将每个嵌入分解成不同因素，以捕捉多个潜在因素，并通过轻量级图卷积以及有效的边符号分类解码器来提高模型表达能力，实验证明 DINES 在有向带符号图中有效地学习了解耦节点表示，并在符号预测任务中显著优于其竞争对手。

    Jul, 2023

  • DisenHAN: 面向推荐的解耦异质图注意力网络

    本研究提出了一种新的分离异构图注意力网络 DisenHAN，可以从不同方面学习异构信息网络中的用户 / 项目表示，并使用高阶元关系分解元路径，聚合每个元关系的相应特征，以实现更好的推荐效果。

    Jun, 2021