Mar, 2023

DEDGAT: 双向嵌入式有向图注意力网络用于金融风险检测

PDF
TL;DR本文提出了一种有向图注意力网络 DGAT，通过明确引入出度对注意力计算中，充分利用有向图的出度信息。同时，我们进一步提出了 DGAT 的双重嵌入 DEDGAT，可将每个节点分配入度和出度表示，并使用这两个嵌入计算入度和出度节点的注意力权重。通过现有数据集的实验，表明 DGAT 和 DEDGAT 相对于无向 GAT 获得了更好的分类性能。并且，我们的方法可以充分利用入度和出度信息。
financial risk controlgraph representationdirected graphdgatdedgat
发现论文，激发创造
  • 异质图中的方向性邻居注意力表示学习

    提出了一种名为 Directional Graph Attention Network (DGAT) 的新型图神经网络结构，利用特征注意力和全局方向信息提高图信息的传播能力，并通过拓扑信息引导的节点剪枝和边添加机制以及新的拉普拉斯矩阵来改善 GAT 存在的局限性，实验证明在真实数据集和合成数据集上，DGAT 在性能上优于传统的 GAT 模型，并在 7 个真实数据集中的 6 个数据集上超越了现有的最先进模型。

    Mar, 2024

  • 属性图聚类：深度注意力嵌入方法

    本文提出了一种 DAEGC 算法，该算法通过引入注意力机制和自训练图聚类方法，针对特定聚类任务设计深度学习方法以生成目标图形的嵌入表征。

    Jun, 2019

  • 对抗性有向图嵌入

    本文提出基于生成对抗网络的新型有向图嵌入框架 DGGAN，该框架可以联合学习每个节点的源向量和目标向量，并且在多项有向图挖掘任务上优于现有的最先进方法。

    Aug, 2020

  • 有符号图注意力网络

    本文中，我们提出了基于图注意力网络（GAT）的正负权网络的通用求解器 - Signed Graph Attention Network（SiGAT）。SiGAT 结合了图图形理论，将常规 GAT 表示和处理有正权重和无权重的网络扩展到对于有正权重和负权重都包含的网络。实验结果表明，SiGAT 在三个真实数据集上的表现优于基于特征和网络嵌入方法，以及现有的基于 GNN 的方法，如带符号图卷积网络（SGCN）。

    Jun, 2019

  • 稀疏图注意力网络

    该论文提出了一种基于 L0 正则化的 Sparse Graph Attention Networks，可以对大规模、复杂的图进行特征聚合，鲁棒性与有效性更高，达到与原始图相同或更高的预测性能；同时，其使用结果可视化和量化表达，让人更加容易理解。

    Dec, 2019

  • 图注意力网络

    本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

    Oct, 2017

  • 基于不同注意力机制的图编辑距离学习

    这篇论文提出了一种新的图级融合模块 Different Attention（DiffAtt），并证明了图级融合嵌入能够显著优于复杂的节点级融合嵌入，通过 DiffAtt 的算法 REDRAFT 在五个基准数据集中的 23 个评估指标中取得了最先进的性能，尤其是在 MSE 上分别超出第二名 19.9%、48.8%、29.1%、31.6% 和 2.2%，此外，作者提出了一种定量测试 RESAT，以验证 DiffAtt 生成的融合嵌入能够最好地捕捉两个图之间的结构差异。

    Aug, 2023

  • DisenKGAT：具有解耦图注意力网络的知识图嵌入

    本研究提出了一种新的分离知识图谱注意力网络 (DisenKGAT)，该网络采用微观分离和宏观分离来利用知识图谱背后的表示，并针对给定场景生成自适应表示。通过在公共基准数据集上进行广泛实验，验证了 DisenKGAT 在准确性和可解释性方面优于现有方法。

    Aug, 2021

  • 使用同构性在图神经网络中进行监督关注

    本文提出了一种改进图注意力网络中节点分类的方法，使其更能准确地区分不同类别的节点，在多个节点分类数据集上得到了较高的表现。

    Jul, 2023

  • GAT 是否失衡？

    基于图神经网络 (Graph Neural Networks) 的优化和学习动态尚未被广泛探索，本研究通过分析图注意力网络 (Graph Attention Network) 提出的保守定律解释了标准初始化中参数变动困难的现象，并提出了一种初始化方案来平衡图注意力网络，使得深层网络更易于训练并加速收敛速度。

    Oct, 2023