半监督分层图分类
本研究提出了一个基于半监督学习的图学习方法,将节点分类问题扩展到了节点本身为图实例的层次图中,并设计了两种新的分类器,同时基于有监督的自我关注图嵌入方法将任意大小的图嵌入到固定长度的向量中,实验表明 SEAL-C/AI 方法不仅在准确率和 Macro-F1 方面优于竞争方法,而且生成的学习表示具有有意义的解释。
Apr, 2019
本文研究半监督图分类,在有限标记图和丰富未标记图的场景下准确预测图的类别。通过提出一个名为 HEAL 的超图增强的 DuAL 框架,该框架分别从超图和线图的角度捕捉图的语义,以解决现有图神经网络对大量昂贵标记图的需求以及对节点之间高阶依赖关系建模能力不足的问题。在设计了适应性学习复杂节点依赖关系的超图结构学习的基础上,利用学习到的超图引入线图来捕捉超边之间的交互,从而更好地挖掘潜在的语义结构,并开发了关系一致性学习来促进两个分支之间的知识传递和更好的相互引导。对真实世界的图数据集进行的广泛实验验证了所提方法相对于现有最先进方法的有效性。
May, 2024
本文提出一种用于半监督图节点分类的 “图推理学习”(GIL) 框架,通过学习节点标签的推理,提高分类性能,定义节点属性、节点路径和局部拓扑结构之间的结构关系,从而方便地从一个节点推导出另一个节点的推理,通过在训练节点到验证节点上进行结构关系的元优化,使学习到的图推理能力更好地适应测试节点。在四个基准数据集上进行了全面评估,结果表明,与半监督节点分类任务中最先进的方法相比,我们提出的 GIL 方法具有卓越的性能。
Jan, 2020
本文研究了基于图神经网络的文本分类任务,提出了一种新的分层图神经网络模型(HieGNN),其在词级别、句子级别和文档级别分别提取相应的信息。实验结果表明与几个基准方法相比,我们的模型能够从样本中获得更多有用的分类信息。
Sep, 2022
本文介绍了一种名为 MI-GNN 的基于元学习范式的元 + 归纳框架,以定制归纳模型以适应每个图表的方法。 MI-GNN 在图和任务级别上都采用双适应机制,对来自同一领域内不同的图表进行自适应,提高了半监督节点分类的性能。
May, 2021
本研究提出了一种新的深层分层图卷积网络 (H-GCN),通过聚合结构相似的节点形成超节点,然后再将粗化的图细化到原始图以恢复每个节点的表达,从而扩大每个节点的感受野,能够获取更多的全局信息,并在各种公共基准测试图数据集上表现出强大的实证性能。
Feb, 2019
本文针对关系网络中的半监督学习问题提出了两种可扩展的方法,可以更好地处理链接多样性和分类异质性等图结构异质性,相比于现有算法,我们的方法在不需要先验知识的情况下提供更好的分类性能。
Dec, 2016
该研究提出了一种新的双超图神经网络 (DualHGNN) 模型,它同时整合了超图结构学习和超图表示学习,通过利用多视图超图学习网络探索多个视角下的最优超图结构,并利用密度感知超图注意网络来探索基于密度感知机制的高阶语义相关性。在各种基准数据集上进行了广泛实验,并证明了该方法的有效性。
Jun, 2023
本研究提出一种基于局部信息的半监督分层多标签分类器(SSHMC-BLI),可利用标记和未标记的数据进行训练,用于执行分层分类任务。实验结果表明,利用未标记数据可以显著提高仅基于标记数据训练的监督式分层分类器的性能。
Apr, 2024
本文提出了一种基于协同式图遍历的强化学习算法,Multi-Label-Graph-Walk,提高了节点嵌入的区分能力,在属性图中利用可用标签分配来调整节点表示,将多标签节点分类任务形式化为多个标签特定代理的同时图遍历,在合作方式中学习标签特定图遍历策略,捕捉节点标签与结构属性之间的关联以及多个标签特定分类任务之间的关联。综合实验研究表明,所提出的方法显著提高了多标签分类性能,实现了更高效的图形探索。
Oct, 2019