使用主轴树构建简单图卷积的图形结构

Feb, 2023

使用主轴树构建简单图卷积的图形结构

Graph Construction using Principal Axis Trees for Simple Graph Convolution

Mashaan Alshammari, John Stavrakakis, Adel F. Ahmed, Masahiro Takatsuka

TL;DR通过使用非监督和监督信息，我们介绍了一种构建邻接矩阵 A 的图形构建方案。我们使用主轴树（PA-trees）作为非监督信息的来源，惩罚和本质图形连接不同类标签的点，而本质图形连接具有相同类标签的点。通过两个著名的图形神经网络进行测试，显示使用简单图形卷积（SGC）更好，因为它更快并提供与图形卷积网络（GCN）相同或更好的结果。我们还测试了对于 GCN 和 SGC 的过度平滑的影响，发现必须仔细选择 SGC 的平滑程度以避免过度平滑。

Abstract

graph neural networks (GNNs) are increasingly becoming the favorite method for graph learning. They exploit the semi-supervised nature of deep learning, and they bypass computational bottlenecks associated with traditional graph learning methods. In addition to the feature matrix $X$,

graph neural networks adjacency matrix unsupervised information supervised information oversmoothing

发现论文，激发创造

自监督训练的图卷积网络

本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息，以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证，展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。

Jun, 2020

从聚类假设到图卷积：重新思考基于图的半监督学习

本文通过在统一的优化框架中理论讨论了传统浅层学习方法与基于图卷积网络（GCNs）的关系，并提出了三种简单但强大的图卷积方法，包括有监督方法 OGC 以及两种无监督方法 GGC 和其多尺度版本 GGCM，最后通过大量实验证明了我们方法的有效性。

Sep, 2023

半监督学习中图卷积网络的深入洞察

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

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

半监督学习的图拉普拉斯正则化图卷积网络

本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法，该方法通过编码图结构和节点特征同时保持局部不变性约束，用于图数据表示和半监督分类，并在实验中证明了其有效性。

Sep, 2018

指针图网络

本研究介绍了一种称为 Pointer Graph Networks（PGNs）的方法，该方法可将集合或图形增强为具有附加的推断边，从而提高模型的一般化能力。该方法直接受监督以对经典数据结构的长期操作进行建模，并综合了来自理论计算机科学的有用结构归纳偏差

Jun, 2020

基于注意力引导的图卷积神经网络用于关系抽取

本研究提出了一种新模型 ——AGGCNs，该模型通过自动学习选择性地关注依存树的相关子结构，有效地利用依存树的结构信息来提取实体之间的关系，从而在交叉句 n 元关系抽取和大规模句子级关系抽取等多项任务中均优于现有方法。

Jun, 2019

基于图的半监督学习的对比与生成图卷积网络

本文提出了一种新颖的基于图卷积网络的 SSL 算法，通过利用数据相似性和图结构来丰富监督信号，从而改善了现有方法的性能。该算法通过设计半监督对比损失和图生成损失提取潜在的关系，并在各种实际数据集上取得了显著的分类性能，与现有最先进的方法进行了比较。

Sep, 2020

图网络的主邻域聚合

本研究扩展了图神经网络的理论框架来包含连续特征，并提出了基于 Principal Neighbourhood Aggregation 的新型网络结构，探讨了多种聚合函数需求，旨在寻求更强大和稳健的模型。实验表明，该方法在多项任务上都具有优异的性能。

Apr, 2020

图神经网络从结构信息中可得证明的益处：视作特征学习角度

本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用，提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征，发现图卷积显着增强了对手 CNN 的良性过拟合的范围，并且在梯度下降训练后， GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异，这一结论在我们的实证模拟中得到了进一步证实。

Jun, 2023