一种具有自适应视图图形编码器的结构感知分组歧视:一种快速的图形对比学习框架
提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络(GCN)的 attributed graph embedding 任务,并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声,实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验,结果表明 AGE 在节点聚类和链接预测任务中表现出色。
Jul, 2020
提出了一种新的基于 Group Discrimination 的方法 Graph Group Discrimination (GGD),以简单的二元交叉熵损失代替相似性计算直接区分两组节点样本,相比于 GCL 方法,GGD 具有更高的计算效率和更少的训练轮数,并在八个数据集上表现优于现有的自监督方法。
Jun, 2022
本文提出了一种多视图、多尺度对比学习框架,采用子图 - 子图对比提高子图嵌入的鲁棒性,并通过图增强方法提高检测性能。实验结果表明,该方法在图异常检测任务中具有优越性。
Dec, 2022
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
提出一种名为 Simple Contrastive Graph Clustering (SCGC) 的算法,从网络架构、数据增强和目标函数三个方面改进现有方法,通过简单的低通滤波去噪操作和两个多层感知器 (MLPs) 作为骨干网络,通过构建 siamese 编码器和直接损坏节点嵌入来实现数据增强,设计了新的跨视图结构一致性目标函数来提高网络的判别能力,实验结果表明,在七个基准数据集上,该算法比最近的对比深度聚类竞争对手快至少七倍,并取得了显著的性能优势。
May, 2022
我们提出了一种名为 Self-Contrastive Graph Diffusion Network(SCGDN)的新框架,其中包含 Attentional Module 和 Diffusion Module 两个主要组件,以实现高效的嵌入和节点状态的平衡,并避免采样偏见和语义漂移,综合利用结构和特征信息进行抽样,并最小化嵌入中的冗余信息以保留更有区分能力的信息。实验结果表明,SCGDN 相比于对照方法和经典方法具有更好的性能。
Jul, 2023
本文提出 SL-GAD 方法来进行图数据中的异常检测,该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常,实验结果表明该方法较现有方法具有更好的表现。
Aug, 2021
FMGAD 是一种新颖的少样本图异常检测模型,利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示,并借助深度图神经网络消息增强重构模块从根本上利用少样本标签信息并使其能够传播到更深的未标记节点,该模块进一步辅助自监督对比学习的训练。综合对六个真实世界数据集的实验结果表明,FMGAD 能够在人工注入异常或领域有机异常的情况下,实现比其他最先进方法更好的性能。
Nov, 2023
本文提出了 DefenseVGAE 框架,利用变分图自编码器 (VGAEs) 重建图的结构来防御图神经网络 (GNNs) 在面对对抗性攻击时的鲁棒性,实验证明其在不同威胁模型下具有很强的有效性。
Jun, 2020
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