Jul, 2022

用于基准测试图神经网络的图生成模型

PDF
TL;DR提出了一种名为 Computation Graph Transformer（CGT）的图形生成模型，它可以在保证隐私的前提下，生成大规模真实世界图的有效基准图，用于作为 Graph Neural Networks 模型的基准测试。
graph neural networksgraph generative modelcomputation graph transformerprivacy-controlledbenchmark graphs
发现论文，激发创造
  • GraphWorld: 通过虚构图形为 GNNs 提供实际见解

    本研究提出了一个名为 GraphWorld 的基于人工合成图形的 GNN 模型基准测试方法，可以为 GNN 提供可调、可伸缩和易于使用的基准测试环境，并可以随机生成大量统计差异的数据集，经过实验表明，它可以揭示出传统基准测试中未观测到的模型之间的比较，同时还能探究图形属性与任务性能测量之间的关系。

    Feb, 2022

  • 用于基准图学习的合成图形生成

    本文介绍了如何利用合成图形进行基准测试，以深入研究不同类型的图学习算法科学性能，研究结果显示我们的框架为无监督和有监督图神经网络模型提供了洞见。

    Apr, 2022

  • 图变换网络

    本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。

    Nov, 2019

  • 图神经网络基准测试

    本文介绍了 Graph Neural Networks (GNNs) 领域关于基准测试框架的应用，通过该框架，可对模型进行比较，并且探索新的 GNN 设计和洞见，其中，图形位置编码 (PE) 是该基准测试框架中引入的重要设计之一。

    Mar, 2020

  • 测试时图变换增强图表示学习

    本文提出了一种名为 GTrans 的图形变换框架，通过在测试时自适应和改进图形数据，从数据角度来解决图神经网络（GNN）所面临的数据质量问题，经实验表明，GTrans 在改善性能方面表现最佳。

    Oct, 2022

  • 学习图的深度生成模型

    本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

    Mar, 2018

  • 使用图神经网络创造逼真的合成社交网络

    本研究评估了使用图神经网络（GNN）生成社交网络的潜力，发现 Gated Recurrent Attention Network（GRAN）比基准规则生成方法 Recursive-MATrix（R-MAT）更能复制结构动态，但计算成本略高。

    Dec, 2022

  • 生成拓扑网络

    生成模型的新类别 - 生成拓扑网络（GTNs）使用简单的监督学习方法并基于拓扑理论进行确定性训练。在 MNIST、celebA 和 Hands and Palm Images 数据集中展示了 GTNs 的优势，并通过 GTNs 的理论提供了改进性能的培训方法。

    Jun, 2024

  • 关于可信图神经网络的综合调查：隐私、鲁棒性、公正性和可解释性

    本文对图神经网络在隐私、鲁棒性、公平性和可解释性等计算方面进行了全面的调查，为不同方面的值得信任的 GNN 模型提供了发展框架和方法论。

    Apr, 2022

  • GPT-GNN：图神经网络的生成预训练

    本文介绍了一种名为 GPT-GNN 的框架，用于解决 Graph Neural Networks 训练问题，通过预训练一个能够自监督地学习到结构和语义属性的 GNN 模型，然后将其传输到 Downstream Tasks 中，从而显著提高了性能。

    Jun, 2020