Nov, 2022

Flip Initial Features: 一种基于稀疏特征的神经网络半监督节点分类的通用方法

PDF
TL;DR该论文提出一种简单而新颖的策略，通过同时翻转初始特征和超平面来创造额外的空间，以有效缓解图神经网络中的过拟合问题，并在真实世界数据集上进行了广泛实验，证明该技术将节点分类准确率提高了高达 40.2％。
graph neural networkssemi-supervised learningoverfittinghyperplanesnode classification
发现论文，激发创造
  • 基于知识迁移的图少样本学习

    本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法，通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度，并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。

    Oct, 2019

  • 图神经网络的特征扩展

    本研究通过矩阵空间分析，系统地研究了空间模型与谱模型对于特征空间的影响，理论分析表明特征空间由于重复的聚合而趋向于线性相关，为此，我们提出了特征子空间展开和结构主成分等方法来扩展特征空间，实验表明我们的方法有效并能够提高收敛性能。

    May, 2023

  • Shift-Robust GNNs: 克服局部图训练数据的局限性

    本文提出一种称为 Shift-Robust GNN（SR-GNN）的方法，用于解决在真实世界场景下，由于数据获取昂贵和天生偏见而导致的数据采样不均衡问题，SR-GNN 可以适应节点标签采集偏差和数据分布转移等差异，从而实现半监督学习任务中的更好泛化效果。在多个实验中，SR-GNN 在常见 GNN 基准数据集上的表现优于其他 GNN 基线，并成功消除了偏差训练数据引入的至少～40% 的负面影响。

    Aug, 2021

  • 少样本学习的混合图神经网络

    本研究提出了一种新颖的混合 GNN（HGNN）模型，该模型由实例 GNN 和原型 GNN 组成，用于快速适应元学习特征嵌入到新任务中，在三个 FSL 基准测试中获得了新的最新成果。

    Dec, 2021

  • 双核重任：通过语义和拓扑意识增强图稀疏训练

    图稀疏训练（GST）提出了一种动态调整数据层稀疏度的方法，通过 Equilibria Sparsification Principle 来实现拓扑和语义信息的平衡，从而产生一个具有最大拓扑完整性且没有性能下降的稀疏图。

    Feb, 2024

  • 半监督分类的图分区神经网络

    本文提出了一种名为 GPNN 的图划分神经网络，通过在小子图中进行本地传播和在子图之间进行全局传播来处理极大的图形。经过大量实验，实验结果表明，GPNN 在图形半监督分类任务中表现优异或与现有算法相当，且使用更少的传播步骤也能够达到标准 GNN 的性能。

    Mar, 2018

  • 图神经网络节点分类的简化方法

    本研究提出了一种特征选择 Graph Neural Network（FSGNN）模型，通过解耦节点特征聚合步骤和深度，使用 softmax 作为聚合的特征的正则化器和 L2 规范化技术，实现了对不同聚合的特征的作用进行实证分析，最终在 9 个基准数据集上创建了一种简单而浅的模型，取得了比现有 GNN 模型更好的性能。

    Nov, 2021

  • 图神经网络中节点特征

    本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

    Nov, 2019

  • 图随机神经网络用于图半监督学习

    提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架，通过设计随机传播策略来进行图数据增强，并利用一致性正则化优化不同数据增强下未标记节点的预测一致性，实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上，并且缓解了过度平滑和非鲁棒性问题，展现了比现有 GNN 更好的泛化行为。

    May, 2020

  • GRAFENNE: 基于异构和动态特征集的图学习

    本研究提出 GRAFENNE ，通过对原始图进行新颖的异质性转换和精心设计的消息传递框架，使得模型参数大小与特征数量无关，并能够识别未见过的节点和特征，解决了图神经网络中特征变化带来的挑战，并在四个真实图上展示了良好的实际应用效果。

    Jun, 2023