EvenNet:忽略奇数跳邻居提高图神经网络的鲁棒性
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
在这篇论文中,我们探索了异质图中图神经网络的脆弱性,并在理论上证明了负分类损失的更新与基于聚合邻居特征的成对相似性呈负相关。为了解决这个问题,我们提出了一种名为 NSPGNN 的新型鲁棒模型,它在监督邻居相似性引导传播的过程中采用了双 k 最近邻图管道。通过广泛的实验证明,与现有方法相比,NSPGNN 在同质图和异质图上都具有普遍的鲁棒性。
Jan, 2024
本文研究了图神经网络在学习同质或异质图代表性表示方面的成功,介绍了 Possion-Charlier Network (PCNet) 的先前工作,并通过简化和增强 PCNet,提出了两种适应性邻域大小的变体,以应对异质性问题,并通过半监督学习任务在各种代表同质和异质图的数据集上验证了模型的鲁棒性.
Mar, 2024
本文探讨了 GNNs 的异质问题并研究了跨类别邻居的特征聚合,提出了 CAGNNs 框架以提高节点分类任务的性能。实验结果表明,我们的框架能够分别提高 GIN,GAT 和 GCN 的平均预测准确率 9.81%,25.81%和 20.61%。
Mar, 2022
本文提出了一种新的 GNN 模型:$^p$GNN,它实现了细胞特征和拓扑信息的同时分类,特别适用于异质图,其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。
Nov, 2021
本研究设计了一种新颖的图神经网络,通过自注意机制,优先适应不同的图的不同节点特征和拓扑结构,且考虑到正负权重和节点对称性,在处理同构和异构图分类任务上,相较于传统的图神经网络实现了最领先的性能。
May, 2023
这篇研究提出一种鲁棒的图神经网络实现方法,明确考虑了观察拓扑中的扰动,通过优化可学习参数和真实图形来解决非可微且受限制的优化问题,适用于各种类型的图形,并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。
Dec, 2023
提出了 GloGNN 和 GloGNN 两种模型应用于具有异质性的图上,能够从全局节点中聚合信息生成节点嵌入,理论证明了这种方法的有效性并在 15 个基准数据集中进行实验证明其性能优异。
May, 2022
研究图神经网络中的异质性标签与 GNN 对抗性攻击鲁棒性之间的关系,并且证实采用相应设计原则可以提高 GNN 的鲁棒性,实验证明采用这种设计可以比未接种疫苗的模型实现更好的鲁棒性,并且采用防御机制可以使其鲁棒性更强,性能提高达 18.33%。
Jun, 2021
本文研究了 GNN 在同构和异构图中节点分类性能的差异。我们提出了一种非 i.i.d PAC-Bayesian 概率界,并通过特征聚合距离和同质比异质性差异解释了性能差异,并证实了较深的 GNN 的有效性。此外,我们发现了图形分布偏移问题的一个新因素,并提出了相应的新场景。
Jun, 2023