超越同质性:重构图形结构进行对图形不可知聚类
对于图聚类问题,现有的图神经网络方法很难取得进展,同时大多数聚类方法只关注同质图而忽视异质图,限制了它们在实践中的适用性。本文提供了一种具有理论支持的新颖解决方案,通过邻居信息对同质性和异质性边进行识别,并构建高同质性和高异质性的图,用于构建低通滤波器和高通滤波器以捕获综合信息,并通过压缩 - 激励块增强重要特征,实验证明本方法在同质图和异质图上优于现有聚类方法。
Mar, 2024
提出了一种自适应混合图滤波方法(AHGFC)用于多视图图聚类,通过设计图联合处理和聚合矩阵,以使图中的低频和高频信号更可区分,进而基于图联合聚合矩阵学习节点嵌入,实验证明该方法在同质和异质图上表现出色。
Jan, 2024
本文通过重新评估广泛使用的同质性度量,并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法,并证明了 local diversification operation 可以有效解决一些有害的异质性情况,然后提出了 Adaptive Channel Mixing(ACM)框架来自适应地利用聚合,多样性和标识通道,从而从多样化的节点异质性情况中提取更丰富的局部信息。经过 10 项基准节点分类任务的评估,ACM-augmented 基线始终实现了显着的性能提升,超过大多数任务上的最新 GNN,而不会带来显着的计算负担。
Oct, 2022
在异质性的情况下,图神经网络(GNNs)往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习,进而构建了一种新的图结构 HiGNN,该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较,我们验证了 HiGNN 在改进图表示方面的有效性,并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法,以及在真实世界数据集中的同质性程度,从而证明了我们方法的功效。
Mar, 2024
该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合,设计出一种草图神经网络(H2GCN),并通过实验表明其在半监督节点分类任务下,具有比传统模型更高的预测准确率,尤其对于异质性网络(即一对连接的节点可能具有不同的类别标签和不同的特征)表现更出色。
Jun, 2020
我们提出一种新颖的鲁棒图结构学习方法,从异质数据中构建高质量的图,进而应用于下游任务。我们首先使用高通滤波器对每个节点进行编码,使其与邻居节点更具有区分度,然后学习一个具有自适应范数的鲁棒图,进一步利用新颖的正则化方法来改进图的结构。对异质图的聚类和半监督分类实验证明了我们方法的有效性。
Mar, 2024
通过重新构建异质图的图结构,来提高传统的图神经网络在异质图上的性能,我们提出了 Deep Heterophily Graph Rewiring (DHGR) 的方法,并进行了全面的实证研究和分析,验证了其潜力以及其可用性,可作为任何 GNN 的插件模块,能够提高任何 GNNs,在结点分类任务上的性能。
Sep, 2022
本文研究了 GNN 在同构和异构图中节点分类性能的差异。我们提出了一种非 i.i.d PAC-Bayesian 概率界,并通过特征聚合距离和同质比异质性差异解释了性能差异,并证实了较深的 GNN 的有效性。此外,我们发现了图形分布偏移问题的一个新因素,并提出了相应的新场景。
Jun, 2023