Sep, 2022

图分类的类别感知表达细化框架

PDF
TL;DR本文提出了一种 Class-Aware Representation refinement (CARE) 的方法，通过计算一个简单而强大的类别表示，并注入到图的表示中来提高类别可分离性，从而解决了图神经网络（GNN）在图分类任务中对于图层级关系和泛化问题的缺陷，并在多项实验中验证了其有效性。
graph neural networksgraph representation learningclass-aware representation refinementgraph classificationgeneralization issue
发现论文，激发创造
  • 基于图神经网络的反欺诈检测器抵御伪装欺诈者攻击的增强方法

    本文提出了一种名为 CARE-GNN 的新型 Graph Neural Network 模型对付欺诈检测中恶意节点使用的特征伪装和关系伪装，CARE-GNN 包括三个模块，即标签感知型相似度衡量模块、强化学习模块和跨不同关系的选中邻居的聚合模块，实验表明，CARE-GNN 优于现有的 GNN 模型和 GNN-based 欺诈检测器。

    Aug, 2020

  • CAGNN: 面向无监督图表征学习的聚类感知图神经网络

    介绍一种新的无监督图嵌入学习方法，使用自监督技术，通过将节点嵌入进行聚类并预测节点分配情况更新模型参数，加强类内联系和减少类间联系从而更好地保留了嵌入空间中的类簇结构，并在两个基准任务中使用真实世界数据集展开比较实验，证明了该模型在准确性方面比现有基线方法优越，特别地，在节点聚类方面的准确率提升了超过 7%

    Sep, 2020

  • 强大图表示的重建

    本研究介绍了如何利用图重构技术来解决图神经网络架构存在的理论和实践问题，从而提高其表现力并实现应用于现实世界中的性能提升。

    Oct, 2021

  • 朝向因果分类的图神经网络的全面研究

    研究发现了图神经网络在因果分析方面的潜力，通过评估不同数据环境中九个基准图分类模型的效率和灵活性，突显了预测能力以及需求进一步提升的领域。

    Jan, 2024

  • 提高空间图神经网络欺诈检测的聚合和加速训练方法

    本文提出三个方法以解决 Residual Layered CARE-GNN 的三个问题：采用余弦距离进行相似度度量，结合邻节点和批次规范化的相似度量模块，以及中间信息补充。在 Yelp 和 Amazon 数据集上，采用这三种方法分别获得了 4.81％，6.62％，6.81％的提高。

    Feb, 2022

  • 一种集体学习框架以提高 GNN 表达能力

    本文提出了一种基于集体学习和自监督学习的蒙特卡洛采样框架，用于将当前的 GNN 模型进行增强以实现节点分类，实验结果表明，该方法在五个真实世界的网络数据集上都取得显著的性能提升。

    Mar, 2020

  • 可扩展异构图的图神经网络

    本文研究图神经网络在异构图上的应用问题，并提出了一种名为 NARS 的分类器，使用邻居平均特征进行多元关系子图采样，该方法取得了比 GNN 更准确且更具成本效益的结果。

    Nov, 2020

  • CSGNN：通过动态类别选择征服嘈杂节点标签

    该研究论文提出了一种名为 CSGNN 的图神经网络方法，通过使用邻居聚合的潜在空间自适应选择可靠的节点，并解决了过拟合、标签噪声、类别选择和干净节点的学习问题。实验证明，CSGNN 在效果和鲁棒性上优于现有方法。

    Nov, 2023

  • 图神经网络中的深度关注：问题及解决方案

    本研究通过理论和实证分析，探讨了深度图注意力中涉及的一些问题现象，包括易受平滑功能影响和光滑累积注意力。由此，研究者提出了一种名为 AEROGNN 的新型 GNN 体系结构，用于深度图注意力，其已被证明可以缓解这些问题。

    Jun, 2023

  • 图神经网络：方法和应用综述

    本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

    Dec, 2018