基于影响的图神经网络小批量处理
利用神经 Bandit 算法解决基于未知传播网络的影响力最大化问题,在实时选择种子节点的同时,通过图卷积网络对影响者的预估奖励进行优化,从而在传播网络未知的情况下,在两个大型真实数据集上显著提高了传播效果。
Jun, 2024
使用邻域采样的小批量训练方法加速图神经网络的训练和推理过程,可在多 GPU 环境下实现。作者采用性能优化的采样器、共享内存并行化的策略以及批量传输与 GPU 计算流水线的方法对算法进行改进,并在多个基准数据集和 GNN 架构上进行了实验,取得了显著的加速效果。
Oct, 2021
本文提出一种新的图信息瓶颈框架,该框架可以通过邻域瓶颈减轻结构噪声,并在优化中加入伪标签以实现对成员隐私的保护,在真实世界数据集上进行了广泛的实验,证明了我们的方法可以提供强大的预测并同时保持成员隐私。
Jun, 2023
本文介绍了一种基于信息瓶颈原理的图形数据表示学习方法 —— 图信息瓶颈,该方法通过优化平衡了图形网络结构和节点特征的表达方式的表达性和鲁棒性,设计了两种采样算法进行结构方面的正则化,并使用两个新模型:GIB-Cat 和 GIB-Bern 来实现 GIB 原则,证明了其比最先进的图形防御模型更具有鲁棒性。
Oct, 2020
在这项研究中,我们提出了一种新颖的解释性图神经网络框架(PGIB),将原型学习与信息瓶颈框架相结合,为模型预测提供关键子图的原型。通过广泛的实验和定性分析,证明了 PGIB 在预测性能和可解释性方面优于最先进的方法。
Oct, 2023
该论文提出了一种新的基于 IBIA 范例的算法,它通过使用启发式置信度更新算法来推断边际。该方法与现有的变分和采样方法相比,在多个基准测试数据集上具有更好或相当的准确性,并且运行时间更短。
Jun, 2023
本文介绍了一种基于梯度的推理方法,用于神经网络的去结构化预测问题,并在句法分析、语义角色标注和序列转换三个任务上进行了测试,该算法不仅满足了约束条件,而且提高了准确性。
Jul, 2017
研究了输入批处理对计算机视觉的五个全面训练的神经网络的能源消耗和响应时间的影响,结果表明批处理对这两个指标都有显著影响。此外,通过过去十年的能源效率和准确性时间线,发现能源消耗上升速度比准确性快得多,质疑了这种发展的必要性。
Jul, 2023
本文提出一种基于采样的影响力最大化方法,对于给定的节点影响传播日志数据,采用新颖的网络推断方法,可以学习到网络结构和传播参数,避免网络结构和参数假设所带来的误差。相比以往的方法,本方法不需要最大似然估计和凸规划假设,可以在网络参数学习难度较高的情况下保证一个比较小的近似率。
Jun, 2021