通过对抗协作实现任务无关的图神经网络评估

ICLRJan, 2023

通过对抗协作实现任务无关的图神经网络评估

Task-Agnostic Graph Neural Network Evaluation via Adversarial Collaboration

Xiangyu Zhao, Hannes Stärk, Dominique Beaini, Yiren Zhao, Pietro Liò

TL;DR提出了一个新的基于竞争式自监督的 GraphAC 框架，可以在无需手工增强的情况下，比较不同 GNNs 的表现，消除了已有方法局限性。 competitive Barlow twins 作为一个新的目标函数，可以让两个 GNNs 在相互竞争中同步更新，成功区分了不同表现的 GNNs。

Abstract

It has been increasingly demanding to develop reliable methods to evaluate the progress of graph neural network (GNN) research for molecular representation learning. Existing GNN benchmarking methods for molecular representation learning focus on comparing the GNNs' performances on som

graph neural network molecular representation learning self-supervised learning graphac competitive barlow twins

发现论文，激发创造

通过敌对性图增强改进图对比学习

本文提出了一种基于对抗性图增强策略的自监督学习框架 adversarial-GCL，解决了传统图对比学习方法捕获冗余图特征的问题，实验证明该方法在无监督、迁移和半监督学习任务中均可达到较好的性能。

Jun, 2021

图形对比学习与生成对抗网络

通过引入生成对抗网络（GAN）以学习图的视图分布，GACN 是一个新颖的生成对抗性对比学习网络，用于图表示学习。经过大量实验证实 GACN 能够为 GCL 生成高质量的增强视图，并且优于十二种最先进的基准方法。值得注意的是，我们提出的 GACN 出乎意料地发现数据增强中生成的视图最终符合在线网络中著名的优先连接规则。

Aug, 2023

相似性保持的对抗图对比学习

本文提出了一种相似性保持的对抗性图对比学习框架 (SP-AGCL)，以对抗攻击进行鲁棒性研究，对比干净的图与两个性质不同的辅助视图 (即节点相似性保持视图和对抗视图)，并通过实验证实了 SP-AGCL 在多个下游任务中的竞争性能和在多种场景下的有效性。

Jun, 2023

无需显式负采样的自监督图神经网络

本研究提出了 SelfGNN，它是一种基于对比自监督技术的图神经网络，采用批量标准化和四种图形特征增强技术来实现无监督学习。除了使用常用的图形拓扑增强技术（TA），实验证明我们提出的特征增强（FA）能够与 TA 同样好地发挥作用，而且没有计算开销。在七种公开数据集上的实验结果表明，SelfGNN 表现出较高水平的性能，与 SOTA 监督 GNN 性能相当，并且始终优于 SOTA 半监督和无监督 GNN。

Mar, 2021

克服图对比学习评估中的陷阱：朝着综合基准的方向

我们的研究全面审视了自我监督学习方法的缺点，并提供了关于超参数选择和下游任务评估对图对比学习方法的影响的新观点。此外，我们引入了一个改进的评估框架，旨在更准确地评估图对比学习方法的有效性、一致性和整体能力。

Feb, 2024

对抗式课程图对比学习与配对数据增强

提出了一种创新的框架：对抗课程图对比学习（ACGCL），利用成对增强技术生成可控相似性的图级正负样本，并通过子图对比学习鉴别其中的有效图模式。ACGCL 框架内还设计了一种新颖的对抗课程训练方法，通过逐渐增加样本难度来促进渐进学习。最后，通过对六个知名基准数据集进行全面评估，ACGCL 显著超过一组最先进的基准。

Feb, 2024

图神经网络基准测试

本文介绍了 Graph Neural Networks (GNNs) 领域关于基准测试框架的应用，通过该框架，可对模型进行比较，并且探索新的 GNN 设计和洞见，其中，图形位置编码 (PE) 是该基准测试框架中引入的重要设计之一。

Mar, 2020

基于图神经网络的自适应迁移学习

该研究提出了基于自监督任务的图神经网络（GNN）的迁移学习新范式，其能够有效地将自监督任务作为辅助任务在微调阶段与目标任务结合起来，通过元学习来学习辅助任务的权重，对于多任务学习，预训练和微调均表现出色。

Jul, 2021

图形对比学习与数据增强

本研究提出了一种图形比较学习 (GraphCL) 框架，通过图形增强等多种方式对图形数据进行无监督学习来学习表示。结果表明，即使不使用复杂的 GNN 架构，GraphCL 框架也可以生成类似或更好的通用性、可转移性和鲁棒性的图形表示。

Oct, 2020

推荐系统的图增强

提出了一种名为 GraphAug 的原则性框架，该框架引入了一个强大的数据增强器，生成去噪的自监督信号，增强推荐系统的性能。该框架通过自适应地调整对比视图生成，自动地提炼信息丰富的自监督信息。通过对真实数据集的严格实验评估，得出 GraphAug 模型相对于现有基线方法的卓越性能。

Mar, 2024