测量和优化图神经网络中图形信息的使用
本文研究了图神经网络的过度平滑问题,并提出了两个定量度量指标 MAD 和 MADGap。通过量化实验和分析,我们发现过度平滑是 GNNs 的基本性质,且由于节点接收到的噪声信息比例较高,是导致过度平滑的主要因素。最后我们提出了两种针对拓扑结构的方法:MADReg 和 AdaGraph,证明了这两种方法在 7 个广泛使用的图形数据集上都有效降低了过度平滑问题,并改善了各种 GNN 模型的性能。
Sep, 2019
本文提出了一种灵感来自 Bregman 距离概念的 GNNs 的新型双层优化框架,通过引入类似于 “跳跃连接” 的机制,有效地缓解了过度平滑问题,并证明了该方法在同质性和异质性图中优于原始 GNNs。实验证明,即使层数较高,Bregman GNNs 也能产生更稳健的学习精度,表明了该方法在缓解过度平滑问题方面的有效性。
Sep, 2023
图神经网络(GNNs)中的可解释性是一个新兴领域,在本文中我们讨论了确定每个邻居对于 GNN 在对节点进行分类时的重要性以及如何度量该特定任务性能的问题。为了做到这一点,我们重新构造了各种已知的可解释性方法来获取邻居的重要性,并提出了四个新的度量指标。我们的结果显示,在 GNN 领域中,基于梯度的技术提供的解释几乎没有区别。此外,当使用没有自环的 GNN 时,许多可解释性技术未能识别到重要的邻居。
Nov, 2023
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
通过引入扩展图评估指标(GAMs),我们研究了患者队列的重组、人口图形的构建以及使用图神经网络进行医学相关的任务,展示了这些评估指标与模型性能之间的相关性。
Jul, 2023
本文从优化的角度解释了当前的图卷积操作存在的过度平滑问题,并引入了两个衡量节点级任务上过度平滑的度量标准,提出了一种新的卷积核 GCN+,并在真实的数据集上证明了其在节点分类任务上的优秀性能表现。
Sep, 2020
本文提出了一种基于图神经网络的网络建模技术,能够准确估计网络拓扑、路由和输入流量之间的复杂关系,从而优化网络性能,本技术对任意拓扑、路由和流量强度具有很好的泛化能力。
Jan, 2019
通过综述现有的图卷积神经网络预测不确定性理论与方法,以及相关任务,我们主要关注不确定性的集成,这旨在增强模型性能与预测可靠性,从而桥接理论与实践,并连接不同的图卷积神经网络社区,同时为这个领域提供了有价值的研究方向。
Mar, 2024
本研究介绍了一种称为 KGNN-LS 的新方法,它使用知识图谱和图神经网络来提高推荐系统的准确性,通过标签平滑正则化(Label Smoothness regularization)在个性化图上计算嵌入,以提供更好的推荐。研究实验证明该方法超越了现有的基线算法。
May, 2019
本文提出了第一个系统性的图神经网络的可解释性评估框架,比较了该领域中最具代表性的技术,涉及节点分类任务和欺诈检测应用案例。
Jun, 2022