Feb, 2023

无监督结构熵基鲁棒性图神经网络

PDF
TL;DR提出一种基于结构熵的无监督鲁棒图神经网络，能够缓解图随机性带来的影响，且无需标签信息即可学习节点的适当表示；同时，该模型通过引入结构熵在目标函数中捕获一个具有相同嵌入的图，并在三个数据集上的聚类和链接预测任务中击败了基准模型，表现出更强的鲁棒性。
unsupervised/self-supervised graph neural networksstructural entropyintrinsic connectivity graphclusteringlink prediction
发现论文，激发创造
  • 图神经网络对结构噪声有多强健？

    该研究聚焦于图神经网络的鲁棒性问题，尤其是节点结构预测中添加结构噪声对模型稳健性的影响，研究表明，通过图增强训练，可以显著提高图神经网络的鲁棒性。

    Dec, 2019

  • 可靠的表征使得防御更强：用于鲁棒性图神经网络的无监督结构细化

    本文提出了一种名为 STABLE 的无监督流水线来优化图形结构，以增强图神经网络算法的鲁棒性，该方法采用边度量学习来抵御对抗攻击，并设计了一个高级 GCN 来进一步加强其鲁棒性，证明其在四种实际图形基准测试中具有优越的性能表现。

    Jun, 2022

  • 重思面向图结构数据的独立交叉熵损失

    本文提出了一种新的框架，称为联合簇监督学习，用于建模每个节点与其相应簇的联合分布，通过联合损失训练图神经网络，从而明确地增强目标节点的区分能力，并且有效地保护节点分类不受敌对攻击的影响。

    May, 2024

  • SE-GSL: 通过结构熵优化实现通用且有效的图结构学习框架

    本文提出了一个名为 SE-GSL 的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。

    Mar, 2023

  • 联合子图神经网络

    本文提出了一种名为 Union Subgraph Neural Network 的图神经网络模型，通过注入从新类型的子结构中提取的邻居连接信息以有效地编码高阶连接性，该模型被证明在区分非同构图方面比 1-WL 更强大，并且在 17 个基准测试中表现出优异的性能，尤其是在现有模型的局部编码的基础上注入我们的局部编码，可以最多提高 11.09% 的性能。

    May, 2023

  • GraphRARE：强化学习增强的图神经网络与相对熵

    该论文介绍了一种基于节点相对熵和深度强化学习的通用框架 GraphRARE，以增强图神经网络的表达能力，并通过优化图的拓扑结构实现节点分类和图拓扑的优化。

    Dec, 2023

  • 结构噪声下稳健图神经网络的比较研究

    该研究对不同类型的鲁棒图神经网络在结构噪声表现下进行了全面和系统的比较，并提供了鲁棒性图神经网络选择的实用建议。

    Dec, 2021

  • CAGNN: 面向无监督图表征学习的聚类感知图神经网络

    介绍一种新的无监督图嵌入学习方法，使用自监督技术，通过将节点嵌入进行聚类并预测节点分配情况更新模型参数，加强类内联系和减少类间联系从而更好地保留了嵌入空间中的类簇结构，并在两个基准任务中使用真实世界数据集展开比较实验，证明了该模型在准确性方面比现有基线方法优越，特别地，在节点聚类方面的准确率提升了超过 7%

    Sep, 2020

  • 无监督深度图结构学习

    本论文提出了一种实用的无监督图结构学习（GSL）范式，使用自我监督对比学习辅助产生 “锚图” 目标，采用新型自举机制升级锚图并设计多种图学习器和后处理方案，取得了显著有效性和优化图的高质量。

    Jan, 2022

  • 层次化和增量化的结构熵最小化用于无监督社会事件检测

    本文介绍了一种名为 HISEvent 的框架，通过构建信息更丰富的消息图，在保留图神经网络方法优点的同时，无监督地进行社交事件检测，并克服了现有结构熵最小化算法的效率问题。实验证明，HISEvent 在封闭集和开放集环境下持续优于基于图神经网络的方法，在高效和稳健性方面取得了最新的 SOTA 社交事件检测结果。

    Dec, 2023