Oct, 2022

基于图神经网络的在线跨层知识蒸馏与深度监督

PDF
TL;DR本文提出一种在线知识蒸馏框架 ——Alignahead++，它通过一种交替的训练过程，将学生模型的结构和特征信息转移给另一个同时训练的学生模型的前一层，同时在每个中间层添加辅助分类器以避免过度平滑问题。实验结果表明，在不需要预训练模型的监督情况下，通过增加学生数量，我们的协作训练框架可以稳定提高学生模型的性能。
graph neural networksmodel compressionknowledge distillationdeep supervisioncollaborative training
发现论文，激发创造
  • Alignahead: 基于图神经网络的在线跨层知识提取

    本研究提出了一种基于在线学习的知识蒸馏框架，使用协作式训练方法中的互为同步的学生模型来提高图神经网络嵌入表示的性能，而不需依赖于一个预先训练的教师模型；同时，使用跨层蒸馏策略来对齐每个学生模型之间的局部结构信息，从而提高模型收敛速度和准确性。实验结果表明，该方法对于 PPI、Coauthor-CS/Physics 和 Amazon-Computer/Photo 等数据集均能显著提高学生模型的表现。

    May, 2022

  • 图神经网络知识的提取与扩展：一种有效的知识蒸馏框架

    本文提出一种基于知识蒸馏的框架，利用参数化标签传播和特征转换模块搭建简单的学生模型。实验结果表明，该模型在 5 个公共基准数据集上相对于 7 个图神经网络的教师模型平均能提高 1.4% - 4.7% 的准确度，并且具有更可解释性的预测过程。

    Mar, 2021

  • 基于自由方向知识蒸馏的图神经网络共同增长

    该论文提出了一种名为 FreeKD 的图神经网络知识蒸馏框架，通过强化学习以一种自由的方式互相交换知识，无需提供深度优化的教师 GNN，可以达到比传统 KD 算法更好的性能。

    Jul, 2023

  • 通过对抗知识蒸馏压缩深度图神经网络

    本文提出了一种名为 GraphAKD 的新型对抗知识蒸馏框架，其中包括一个可训练的判别器和一个生成器，用于自适应地检测和降低深度图神经网络中的知识差异，并将其成功地应用于节点级和图级分类任务中，改善了学生 GNN 的性能。

    May, 2022

  • 知识蒸馏加速分子图神经网络

    本文探讨了使用知识蒸馏加速分子图神经网络的实用性，研究结果显示可以无需改变体系结构就能提高预测准确性达到近 60%。

    Jun, 2023

  • ABKD：基于注意力的知识蒸馏技术的图神经网络压缩

    通过注意力机制对 GNN 模型进行知识蒸馏，实现了对大规模图数据的高压缩比，平均精度提升 1.79%，压缩比达到 32.3 倍，相较于现有技术达到了更小的精度损失。

    Oct, 2023

  • 图神经网络的在线对抗蒸馏

    本文提出一种在线对抗蒸馏方法，通过以团体知识来作为动态虚拟教师和有效地捕获图神经网络中的结构变化来同时训练一组图神经网络。在这个方法中，我们通过传输反映图拓扑和节点属性信息的本地知识和反映类预测的全局知识来增强彼此的性能，以提高蒸馏性能。

    Dec, 2021

  • 无框图知识蒸馏

    本文提供了一种基于多尺度图框架的知识蒸馏方法，通过合理利用图框架分解所提供的多尺度图知识，学生模型能够适应同构和异构图，并具有通过简单而有效的图手术缓解过度压缩问题的潜力。实验结果表明，该模型可以在保持高推理速度的同时，生成与教师模型相同甚至更好的学习精度。

    Jul, 2023

  • 无图知识蒸馏用于图神经网络

    本文提出了一种被称为无图知识蒸馏（GFKD）的方法，通过建模多元伯努利分布来学习知识传输的图拓扑结构，并使用梯度估计器来优化该框架，该方法适用于处理不同拓扑结构的非网格数据。经过广泛的实验，GFKD 实现了从 GNN 中蒸馏知识的最先进性能，无需训练数据。

    May, 2021

  • FreeKD: 面向图神经网络的自由方向知识蒸馏

    本文提出了新的结构，在强化学习环境中构建了两个较浅的图神经网络来协作交换知识，以解决原本难以训练的深度图神经网络知识蒸馏问题，实验结果证明其优于基础图神经网络和其他传统知识蒸馏算法。

    Jun, 2022