自我关注的异质图双嵌入
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
本文提出了一种基于 Bi-kernel 特征转换和选择门的 GNN 模型,其中使用两个核对同一阶段的节点进行建模,以更好地捕捉同质性和异质性信息。在各种数据集上的实验结果表明,该模型在同质性和异质性特性方面均显著优于现有 GNN 方法。
Oct, 2021
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
提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络(GNN)模型,将聚合方案适应性地学习到每个图的谱域,从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。
Mar, 2021
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
研究图神经网络中的异质性标签与 GNN 对抗性攻击鲁棒性之间的关系,并且证实采用相应设计原则可以提高 GNN 的鲁棒性,实验证明采用这种设计可以比未接种疫苗的模型实现更好的鲁棒性,并且采用防御机制可以使其鲁棒性更强,性能提高达 18.33%。
Jun, 2021
本文提出了 Directed Graph Neural Network (Dir-GNN) 模型,用于在定向图上进行深度学习,将 incoming 和 outgoing edges 进行独立聚合,以利用方向性信息来增强图的同质性。比较了多种模型并在异质性数据集上进行了广泛实验,结果证明 Dir-GNN 可以在异质性图上取得最好的表现。
May, 2023