Mar, 2023

GNN-Ensemble: 面向随机决策图神经网络的研究

PDF
TL;DR本文提出了一种基于随机建模的新方法，称为 GNN-Ensemble，用于构建多个随机决策图神经网络的集成，从而提高图神经网络的性能，泛化能力和对抗性鲁棒性。该方法在不同的子结构和子特征空间中构建 GNN，在决策时进行组合，从而提高了它们的分类性能，并有效降低了对训练数据的过拟合。同时，我们证明 GNN-Ensemble 可以显著提高对抗性攻击的鲁棒性。
graph neural networksensemble learningadversarial robustnessstochastic modelingperformance improvement
发现论文，激发创造
  • 图神经网络的集成学习

    本研究探讨了集成学习技术在改善图神经网络（GNNs）性能和鲁棒性方面的应用。我们通过使用多种不同的初始化或结构来训练多个 GNN 模型，创建了一个名为 ELGNN 的集成模型，该模型捕捉了数据的各个方面，并使用树状结构 Parzen 估计算法确定集成权重。结合这些模型的预测结果可以提高整体准确性，减少偏差和方差，并减轻噪声数据的影响。我们的研究结果证明了集成学习在提升 GNN 对分析复杂图结构数据的能力方面的有效性。

    Oct, 2023

  • E2GNN：高效的半监督分类图神经网络集成

    该研究旨在研究半监督条件下图神经网络（GNNs）的集成学习。通过将多个薄弱学习器的输出组合起来，集成学习已经在传统机器学习中提高准确性和鲁棒性方面显示出优越性。然而，在集成不同的 GNN 模型时，由于 GNN 的推理能力较差，这个想法很具有挑战性。为了解决这个问题，在本文中，我们提出了一种高效的集成学习算法 E2GNN，以可学习的方式组合多个 GNNs，同时利用标记和未标记节点。通过开展全面的实验证明了 E2GNN 的优越性。

    May, 2024

  • 随机特征增强图神经网络

    本文研究了图神经网络的表达能力，发现其存在局限性。作者提出为每个节点添加随机特征，这样 GNN 就能够学习一些最优多项式时间近似算法，同时该方法方便与其他 GNN 模型结合使用。经实验证明，加入随机特征的 GNN 能够解决一些无法被传统的 GNN 模型解决的问题。

    Feb, 2020

  • 基于图去噪的鲁棒图神经网络

    这篇研究提出一种鲁棒的图神经网络实现方法，明确考虑了观察拓扑中的扰动，通过优化可学习参数和真实图形来解决非可微且受限制的优化问题，适用于各种类型的图形，并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。

    Dec, 2023

  • 图随机神经网络用于图半监督学习

    提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架，通过设计随机传播策略来进行图数据增强，并利用一致性正则化优化不同数据增强下未标记节点的预测一致性，实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上，并且缓解了过度平滑和非鲁棒性问题，展现了比现有 GNN 更好的泛化行为。

    May, 2020

  • 生成对抗网络的集成

    本论文探讨了在 GAN 网络中构建集成模型的新方法 —— 自集成和级联集成。实验表明采用 GAN 集成模型可以更好地建模数据分布，并在较小的计算成本下取得更优的结果。

    Dec, 2016

  • GTAGCN：广义拓扑适应图卷积网络

    基于广义聚合网络和拓扑自适应图卷积网络的混合方法，适用于顺序数据和静态数据的类型，在节点和图分类中都有良好的表现。

    Mar, 2024

  • 探索图神经网络的泛化理解

    研究了图神经网络在泛化上的机制，建立了高概率边界和其对泛化差距和梯度的影响，得出结论和实验证据相符的新认识。

    May, 2023

  • 集成二次分配网络用于图匹配

    通过图神经网络结合数据驱动和传统方法，该研究提出了一种解决图匹配问题的模型，该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用，并在几个任务上得到了显著的性能提升。

    Mar, 2024

  • 稳健图神经网络的图结构学习

    本文探讨了图神经网络在面临敌对攻击时的脆弱性，并提出了一种名为 Pro-GNN 的框架，以基于真实世界图形的内在属性来联合学习结构性图形和稳健性 GNN 模型以应对此问题。通过实验表明，Pro-GNN 在防御敌对攻击方面表现优异。

    May, 2020