图马尔可夫神经网络的公平评估
本研究提出了 Graph Markov Neural Network (GMNN) 模型,将统计关系学习和图神经网络的优势相结合,通过有条件随机场建模对象标签的联合分布,并利用变分 EM 算法进行有效训练,在目标分类、链接分类和无监督节点表示学习等任务中实现了最先进的结果。
May, 2019
本文提出了一种基于集体学习和自监督学习的蒙特卡洛采样框架,用于将当前的 GNN 模型进行增强以实现节点分类,实验结果表明,该方法在五个真实世界的网络数据集上都取得显著的性能提升。
Mar, 2020
本文提出了基于标签一致性的图神经网络(LC-GNN),扩大了 GNN 中的节点感受野,利用未连接但标签相同的节点对。在基准数据集上的实验证明,LC-GNN 在图形半监督节点分类方面优于传统的 GNN,在只有少数标记节点的稀疏场景中也表现出优越性。
Jul, 2020
本文探讨了现有的 Graph Neural Networks(GNN)模型评估策略的局限性,通过对四个知名 GNN 模型进行彻底的实证评估,发现只有在公平的条件下比较各种模型的性能才是合理的,简单的 GNN 架构通过超参数和训练程序的公平调整也可以胜过复杂的架构。
Nov, 2018
本文提出一种贝叶斯图卷积神经网络的框架,用于在图结构数据上进行节点分类和矩阵补全任务,并采用一种迭代学习算法来提高模型性能,并在试验中展示了当训练数据少时,该方法提供更好的性能。
Nov, 2018
提出了一种名为 Global-Local-GNN (GLGNN) 的方法,通过利用全局和局部信息以及节点标签和特征的学习,提高了节点分类 GNNs 的性能,并显示了全局信息利用对节点分类的重要性。
Jun, 2024
本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法,通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度,并在四个真实世界图数据集上的实验和消融研究中证明了该模型的有效性。
Oct, 2019
该论文介绍了一种新的方法,可以在多标签节点分类任务中使用图神经网络,并发布了三个真实世界的生物学数据集,用于该任务的基准测试。作者还定义了多标签场景下的同质性概念,并开发了一种新的方法来动态融合特征和标签相关信息,从而学习标签感知的表示。经过大规模对比研究,该方法在九个数据集上表现良好,并证明了其有效性。
Apr, 2023
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