通过挑战经典的图形拉普拉斯算子,设计出一种可以证明在频谱域内具有鲁棒性的新卷积算子,它被纳入 GCN 体系结构中以改善其表达能力和可解释性,同时通过将原始图形扩展到一系列图形,提出了一种鲁棒的训练范式,以鼓励跨越具有一系列空间和频谱特征的图形的可转移性,这些方法在广泛的实验中得到证明,可以同时提高在良性和对抗性情况下的性能。
May, 2019
本文研究了图卷积网络在对抗扰动下的鲁棒性,通过提出 GraphDefense 方法,成功提高了图卷积网络的鲁棒性,同时能够维持半监督学习的设定,具有较大的应用潜力。
Nov, 2019
本文提出了 Automatic Graph Convolutional Networks (AutoGCN) 来捕获图信号的全部频谱,并自动更新图卷积滤波器的带宽,实验结果表明,AutoGCN 比只能作为低通滤波器的基准方法有了显著的改进。
Jul, 2021
通过消除 GCN 中的不必要的非线性和权重矩阵,我们提出了一种线性模型,它对应于一个固定的低通滤波器,然后是一个线性分类器。 在许多下游应用中,我们的实验评估表明这种简化并不会对精度产生负面影响。 此外,由于我们的模型简化减少了计算量,因此我们的模型在更大的数据集上具有可扩展性,并且具有更快的推理速度。
Feb, 2019
提出一种名为图修正卷积网络(GRCN)的框架,通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正,以避免过度参数化或简单的重新加权观察到的边缘的问题,并且在六个基准数据集上的实验结果表明,与强基准方法相比,GRCN 始终表现出较大的优势,尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。
本文研究了基于图形信号处理的理论框架,用于分析图神经网络的性能,结果表明,图神经网络仅对特性向量进行低通滤波,且没有非线性流形学习属性。进一步研究了它们对特征噪声的鲁棒性,并提出了一些基于 GCN 的图神经网络设计洞见。
本文提出了一种新型 GCNs 模型:自适应多通道图卷积网络 (AM-GCN),以更好地融合和提取节点特征和拓扑结构之间的深度相关信息,并在半监督分类任务上取得了明显的精度提升。
Jul, 2020
图嵌入网络(GRN)通过学习节点表示从其谐振的子图中获取嵌入的信号,从而培养图嵌入网络(GRN)中的共振性,实现对未见节点的泛化鲁棒性。
Dec, 2023
提出了一种新颖的图神经网络框架 AdaGNN,其中包含了一种经过精心设计的自适应频率响应滤波器,可以在节点表示学习中捕获不同特征通道之间的内在差异,从而具有更强的表达能力并自然地缓解压平问题。在各种基准数据集上实证表明,所提出的 AdaGNN 框架具有很高的有效性,同时还提供了理论分析以证明其优越性。
Apr, 2021
本文研究机器学习领域的图半监督学习,提出了基于图卷积网络的深度学习方法,解决了图卷积网络机制不清晰及需要大量标注数据的问题,并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证,研究结果具有实际应用价值。
Jan, 2018