AAAIDec, 2022

2-hop 邻居类相似度（2NCS）：预示图神经网络性能的图结构度量

PDF
TL;DR通过介绍 2NCS 方法，本文挖掘了同质网络比率和 Cross-Class 邻域相似性 (CCNS) 等指标的局限性，并在一个合成和 8 个真实图数据集上进行实验，结果表明 2NCS 可以更准确和一致地评估基于 GCN 和 GAT 的体系结构在节点分类任务上的准确性。
graph neural networkshomophilous graphsheterophilous graphscross-class neighborhood similarity2-hop neighbor class similarity
发现论文，激发创造
  • 研究同质性原则在节点可区分性上的作用：何时图神经网络有助于节点分类

    本文探讨了同质性原则对图神经网络在节点分类上表现卓越的主要原因。作者提出了一种上下文随机块模型来定量节点区分度，并开发了一种基于特性的指标来测试 GNN 在合成和真实世界数据集上的优势和劣势。

    Apr, 2023

  • 通过分离学习澄清混淆节点

    本文提出了一种名为邻域混淆（NC）的度量，用于可靠地分离异构节点，基于此指导图卷积网络（GNN）的设计，实现节点组的内部权重共享和信息传递，从而实现了在同质和异质基准测试上有效地分离和提高节点性能的目标。

    Jun, 2023

  • 图神经网络的扩展图评估指标

    通过引入扩展图评估指标（GAMs），我们研究了患者队列的重组、人口图形的构建以及使用图神经网络进行医学相关的任务，展示了这些评估指标与模型性能之间的相关性。

    Jul, 2023

  • 图卷积神经网络学习什么？

    本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。

    Jul, 2022

  • 保持邻居相似性的全局鲁棒图神经网络

    在这篇论文中，我们探索了异质图中图神经网络的脆弱性，并在理论上证明了负分类损失的更新与基于聚合邻居特征的成对相似性呈负相关。为了解决这个问题，我们提出了一种名为 NSPGNN 的新型鲁棒模型，它在监督邻居相似性引导传播的过程中采用了双 k 最近邻图管道。通过广泛的实验证明，与现有方法相比，NSPGNN 在同质图和异质图上都具有普遍的鲁棒性。

    Jan, 2024

  • SimGNN：一种快速图相似度计算的神经网络方法

    本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

    Aug, 2018

  • 同质性中缺失了什么？拆解图同质性用于图神经网络

    本文将图同质性分解为标签、结构和特征三个方面，提出了考虑三个方面的新组合指标 Tri-Hom，并通过理论分析和合成实验验证了 Tri-Hom 的有效性和同质性协同的重要性。

    Jun, 2024

  • 基于相似度的图形相邻点选择

    使用基于相似性的邻居选择 (SNS) 方法，通过对语言学习模型 (LLMs) 进行简单提示交互，SNS 在节点分类中展现了优越的性能，并且在图结构理解方面显示出 LLMs 的潜力。

    Feb, 2024

  • GCNH: 异质图上的简单表示学习方法

    我们提出了 GCNH，是一种简单但有效的 GNN 架构，适用于异构和同质图形，并使用一个学习的重要系数平衡中心节点和邻域的贡献，可以解决异构图上性能问题和过度平滑问题。

    Apr, 2023

  • 基于邻域排序的图像软对比学习

    本文提出了一种新的图形无监督学习方法，名为 Graph Soft-Contrastive Learning (GSCL)，它能够通过邻域排序进行自我监督学习，而无需依赖于二元对比设置，并且还提出了 GSCL 所需的成对和列表式门控排名 infoNCE 损失函数，以保留邻域中的相对排序关系。

    Sep, 2022