May, 2023

SIMGA: 一种简单而有效的异构图神经网络，具有高效的全局聚合

PDF
TL;DR本文提出了 SIMGA，一种结合 SimRank 结构相似度测量作为全局聚合的 GNN 结构，它在效率和效果方面都具有良好的表现，是第一个可以实现接近 $n$ 的线性传播效率的异质性 GNN 模型，并在 12 个基准数据集上表现优于现有模型。
graph neural networksheterophilysimgasimrankefficiency
发现论文，激发创造
  • 节点相似度保持的图卷积网络

    该研究提出了一种名为 SimP-GCN 的新框架，它可以有效地保留节点相似性，同时利用图结构进行图表示学习，并使用自监督学习以显式捕获节点之间的复杂特征相似性和相异性关系。该框架在多个基准数据集上取得了比代表性基线更好的效果。

    Nov, 2020

  • AGS-GNN：面向图神经网络的属性引导抽样

    我们提出了 AGS-GNN，这是一种新颖的属性引导采样算法，用于图神经网络（GNNs），在处理同质图和异质图时利用节点特征和连接结构，通过采样相似和多样的邻居样本适应同质性和异质性。

    May, 2024

  • SimGNN：一种快速图相似度计算的神经网络方法

    本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

    Aug, 2018

  • LSGNN: 基于局部相似度的通用图神经网络在节点分类中的应用

    通过引入 LocalSim 和 IRDC 提出了一种与节点 heterophily 差异相关联的本地相似性图神经网络 LSGNN，并在真实数据集上实现了超越同类方法的表现。

    May, 2023

  • 简单高效的异构图神经网络

    本论文通过对异构图神经网络（HGNN）中注意力机制、多层结构进行深入研究，提出了 Simple and Efficient Heterogeneous Graph Neural Network（SeHGNN），该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息，采用长元路径和 Transformer 语义融合模块来更好地利用语义信息，结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。

    Jul, 2022

  • 异质友善信息增强图神经网络

    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

  • 当遇到异质性时，在图神经网络中发现全局同质性

    提出了 GloGNN 和 GloGNN 两种模型应用于具有异质性的图上，能够从全局节点中聚合信息生成节点嵌入，理论证明了这种方法的有效性并在 15 个基准数据集中进行实验证明其性能优异。

    May, 2022

  • 重新审视异质性对图神经网络的影响

    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

  • GCNH: 异质图上的简单表示学习方法

    我们提出了 GCNH，是一种简单但有效的 GNN 架构，适用于异构和同质图形，并使用一个学习的重要系数平衡中心节点和邻域的贡献，可以解决异构图上性能问题和过度平滑问题。

    Apr, 2023

  • 保持邻居相似性的全局鲁棒图神经网络

    在这篇论文中，我们探索了异质图中图神经网络的脆弱性，并在理论上证明了负分类损失的更新与基于聚合邻居特征的成对相似性呈负相关。为了解决这个问题，我们提出了一种名为 NSPGNN 的新型鲁棒模型，它在监督邻居相似性引导传播的过程中采用了双 k 最近邻图管道。通过广泛的实验证明，与现有方法相比，NSPGNN 在同质图和异质图上都具有普遍的鲁棒性。

    Jan, 2024