May, 2023

可编辑图神经网络用于节点分类

PDF
TL;DR本文提出了一种名为 EGNN 的方法，它与 GNN 结合，通过将 MLP 与 GNN 简单拼接来订正模型在分类节点上的预测，以避免了 GNNs 中的邻居扩散的问题。实验证明，EGNN 在多个图数据集上的效果都比现有的基线更好，而且具有更好的想用性与更低的训练时间和内存占用。
graph neural networksmodel editingneighbor propagationmisclassified nodesegnn
发现论文，激发创造
  • FairEdit: 通过贪心图编辑保持图神经网络的公平性

    本研究探讨如何通过新增边缘来促进基于图神经网络的公平性，并提出了两种无需预训练的算法：暴力方法和连续逼近方法 FairEdit。结果表明，FairEdit 在多个数据集和 GNN 方法上表现优异，同时能够提高公平性，在多个领域和模型中有着应用前景。

    Jan, 2022

  • 可编辑神经网络

    该研究探讨了神经网络的编辑问题，提出了 Editable Training，这是一种模型无关的训练技术，以便快速修补模型的错误，并在大规模图像分类和机器翻译任务中进行了实证研究。

    Apr, 2020

  • 基于边标记的图神经网络用于少样本学习

    本文提出了一种新的边缘标记图神经网络（EGNN），在这种网络中，改进了少样本学习和显式聚类，通过直接利用内部聚集相似性和集群间不相似性的迭代边缘标记更新，我们学习预测边缘标签，而不是节点标签，使训练后的模型能够解决各种数量的类别问题，并能很容易地扩展到执行传导式推理。EGNN 模型的参数通过周期性训练和标记损失来学习，从而得到一个适用于未见数据问题的泛化能力良好的模型，在两个基准数据集上的监督和半监督少样本图像分类任务中，EGNN 显著提高了现有 GNN 方法的性能。

    May, 2019

  • 通过图神经网络进行网络设计：识别挑战和提高性能

    图神经网络（GNN）研究提出了使用训练后的 GNN 梯度来修改图的边缘以实现网络设计的策略，然而，调节基于梯度的编辑的因素尚未得到充分研究，模糊了为何选择边缘以及编辑是否基于边缘的重要性。因此，我们首先分析了先前工作中的梯度计算，阐明了影响编辑的因素并突出了对结构属性的过度依赖。具体来说，我们发现边缘之所以能够获得高梯度是由于结构偏倚而非重要性，这会导致与设计任务无关的错误编辑。为了改善编辑过程，我们提出了 ORE，一种迭代编辑方法，通过（a）编辑得分最高的边缘和（b）重新嵌入编辑后的图来刷新梯度，从而减少了边缘选择的偏见。我们通过一系列提出的设计任务进行了与外部验证方法相结合的 ORE 的实证研究，表明 ORE 的性能比先前方法提高了 50%。

    Oct, 2023

  • NDGGNET：基于结点无关门的图神经网络

    该论文提出了一种新的框架，使用基于节点度数的门控机制动态地调整图神经网络的层数，从而增强信息聚合的能力并减少过度平滑，通过实验验证该模型在多个数据集上表现良好。

    May, 2022

  • 图消除网络

    通过消除冗余进行邻域传播的算法，图消除网络（GENs）提升了节点感知远距离邻域的能力并扩展了网络传播深度。大量实验表明，GENs 在各种图级和节点级数据集上优于现有方法。

    Jan, 2024

  • 用图神经网络进行超图节点分类

    在节点分类的背景下，本文理论上证明了在超图上，大多数 HyperGNN 可以使用带有超图的加权团展开的 GNN 进行近似。通过加权团展开的 GNN，我们提出了一种简单高效的框架 WCE-GNN，用于超图节点分类，并在九个真实超图节点分类基准上的实验证明了 WCE-GNN 相比于最先进的 HyperGNN 具有更高的分类准确性，以及更好的内存和运行时效率。

    Feb, 2024

  • 图神经网络是内在良好的泛化器：通过建立 GNN 和 MLP 之间的联系进行深入探究

    本文通过引入中间模型 PMLP，揭示了 GNN 的性能提升主要源于其本质上的泛化能力，而非原理层面上的增强表现力。同时，本文发现 PMLP 表现与 GNN 相当，但训练效率更高。该发现为解析 GNN 相关问题提供了新的视角。

    Dec, 2022

  • 图神经网络在不必要的情况下使用图

    图神经网络在图数据上学习的支配方法中，普遍存在过拟合图结构的现象，本研究通过对不同图分布进行分析，提出了一种理论解释和图编辑方法，以减轻图神经网络对应该被忽略的图结构的过拟合问题，并在多个基准测试中验证了该方法的有效性。

    Sep, 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