ICLROct, 2022

测试时图变换增强图表示学习

PDF
TL;DR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。
graph neural networksdata qualitygraph transformation frameworkadapting graph dataimproving performance
发现论文，激发创造
  • 测试时间具备性能保证的分布偏移缓解

    本研究提出了一种名为 FR-GNN 的通用框架，用于进行特征重构，并在测试时间内将这些重构特征整合到 GNN 的消息传递机制中，从而有效降低分布转移并提高测试性能。

    Aug, 2023

  • 图神经网络的测试时间训练

    本研究提出了第一个用于 GNN 的测试时间训练框架，主要包括一种新颖的测试时间训练策略和自监督学习方法，以提高模型的泛化能力，并在基准数据集上进行了实验，证明了该框架的有效性，特别是在训练集与测试集之间存在分布偏移时。同时，研究者还通过探索性研究和理论分析来深入了解了 GT3 框架的设计合理性。

    Oct, 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

  • 用于基准测试图神经网络的图生成模型

    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。

    Jul, 2022

  • 解释和适应图形条件平移

    本文研究了图神经网络易受分布变化影响的原因，提出了一种基于条件转移的无监督领域自适应方法，并在合成及实际数据实验中表现出鲁棒性。

    Jun, 2023

  • TransGCN: 将转化假设与图卷积网络相结合，用于链接预测

    本文提出一种名为 TransGCN 的 GCN 框架，同时学习关系和实体嵌入，通过引入对三元组主体、关系和对象之间关系的变换假设，探索了 TransE 和 RotatE 中的旋转假设，在处理知识图谱中异构关系时比 R-GCN 模型参数更少。实验结果表明，此方法在 FB15K-237 和 WN18RR 上优于现有的方法。

    Oct, 2019

  • GTC：GNN-Transformer 自监督异构图表示的共同对比学习

    提出了一种结合 GNN 和 Transformer 的新框架，利用 GNN 的局部信息汇聚和 Transformer 的全局信息建模能力解决过度平滑问题，构建了 GTC 体系结构，通过对跨视图信息进行自我监督的对比学习任务实现异构图形表示学习。

    Mar, 2024

  • 梯度转化：面向动态图神经网络的高效和模型无关的遗忘

    我们提出了一种有效、高效、模型无关的后处理方法来实现动态图神经网络的去学习，通过定义去学习请求并在连续时间动态图的背景下形成动态图的去学习，通过对去学习数据、剩余数据和目标动态图神经网络模型进行角色分析，我们提出了一种称为梯度变换和损失函数的方法，将去学习请求映射到所需的参数更新。我们在六个真实世界数据集和最先进的动态图神经网络骨干上进行评估，证明了其效果（例如，性能下降有限，甚至明显改进），效率（例如，最多 7.23 倍加速）和处理未来去学习请求的潜在优势（例如，最多 32.59 倍加速）。

    May, 2024

  • 计算机视觉中的图神经网络和图变换器综述：以任务为导向的视角

    本研究在任务导向的角度下，综述了 GNN 与图 Transformer 在计算机视觉中的应用，根据输入数据的特征分为五个类别，并根据视觉任务，详细讨论了该问题所使用的不同基于 GNN 的方法、表现、挑战和未来方向。

    Sep, 2022

  • 稳健图神经网络的图结构学习

    本文探讨了图神经网络在面临敌对攻击时的脆弱性，并提出了一种名为 Pro-GNN 的框架，以基于真实世界图形的内在属性来联合学习结构性图形和稳健性 GNN 模型以应对此问题。通过实验表明，Pro-GNN 在防御敌对攻击方面表现优异。

    May, 2020