ICLRMar, 2023

开放式时态图神经网络

PDF
TL;DR该研究围绕开放时序图的动态信息传递和类别增量学习问题，提出了一种名为 OTGNet 的新学习框架，通过信息瓶颈原则和子图结构筛选策略，在不聚合矛盾信息的前提下，只传递类别不相关的信息，实现了在开放类别集合下的有效信息传递和学习。在三个不同领域的实际数据集上进行的广泛实验表明，该方法的优越性。
graph neural networkstemporal graphsopen set problemknowledge forgettingclass-incremental learning
发现论文，激发创造
  • 面向时间图的图神经网络：现状、挑战和机遇

    本文是对临时图形神经网络的综合评述，主要介绍了学习设置和任务的严格形式化，以及一种新颖的分类方法来分类已有的方法，讨论了该领域的最相关的开放挑战。

    Feb, 2023

  • 基于时间图的动态图深度学习

    本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

    Jun, 2020

  • 开放世界节点分类的图神经网络终身学习

    本文提出了一种在图上进行终身学习的增量训练方法，通过 $k$- 邻居时间差的方法解决历史数据的差异，并在五种典型的 GNN 体系结构上进行训练，结果表明相对于对完整图数据的训练，只需要保留至多 50% 的 GNN 感受野，就能保证至少 95% 的准确度，并确认了随着显式知识变少，隐式知识变得更为重要。

    Jun, 2020

  • 张量视图拓扑图神经网络

    图分类是一项重要的图结构数据学习任务，我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN)，利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法，能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中，TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。

    Jan, 2024

  • 超越所知：针对开放世界图学习的新颖类发现

    本论文提出了一种名为 ORAL 的开放世界图神经网络方法，用于在图中进行节点分类，并解决了图上发现新类别的挑战，通过半监督的原型学习检测类别之间的相关性，利用原型关注网络消除类别间的相关性，从而得到不同类别的区分性表示，通过对齐和组合多个堆叠的原型关注网络的标签估计生成伪标签以充分利用多尺度图特征，广泛实验证明了所提方法的有效性。

    Mar, 2024

  • 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

  • TG-GAN: 基于深度生成模型的连续时间时序图形生成

    我们提出了一种名为 ' 时间图生成对抗网络 ' 的新模型，它能够连续地生成时间图，并针对回归神经网络设计了一些新的激活函数，以强制实施时间合法性约束，以及一种新的时间图鉴别器，以提高效率和准确性。

    May, 2020

  • 拓扑图神经网络

    TOGL 是一种新颖的层，它将一个图的全局拓扑信息与持久同调结合，可轻松集成到任何类型的 GNN 中，在合成和真实数据集上的分类任务中表现出更好的预测性能。

    Feb, 2021

  • 最优输运图神经网络

    本文介绍了 OT-GNN 模型，该模型利用参数原型计算图嵌入，并通过参数原型和乘子做到了与传统的求和聚合不同的方法，通过几项分子属性预测任务的实验证明，此方法在图嵌入的平滑性和预测性能上超过了当前流行的其它方法。

    Jun, 2020

  • 基于图神经网络的节点分类的增强方法

    本文概述了一系列现有的技巧，并提出了一些与标签使用、损失函数制定和模型设计相关的新技巧，以显著提高各种图神经网络 (GNN) 架构的性能。通过进行消融研究，我们经验性地评估了它们对最终节点分类精度的影响，并证明了它们的性能得到了不断改进，通常超过了底层 GNN 架构变化所带来的收益。值得注意的是，许多排名前列的模型从中受益，这是我们提出的一些技术。

    Mar, 2021