May, 2023

半监督节点分类的图熵最小化

HTML
PDF
TL;DRGraph Entropy Minimization is a novel semi-supervised learning method that utilizes one-hop aggregation to resolve prediction errors, training resources, and inference latency, making it a practical choice for industrial-level tasks with resource-constraint hardware.
发现论文，激发创造
  • 半监督分类的图分区神经网络

    本文提出了一种名为 GPNN 的图划分神经网络，通过在小子图中进行本地传播和在子图之间进行全局传播来处理极大的图形。经过大量实验，实验结果表明，GPNN在图形半监督分类任务中表现优异或与现有算法相当，且使用更少的传播步骤也能够达到标准GNN的性能。

    Mar, 2018

  • 无图神经网络：通过蒸馏教老MLPs新技巧

    使用知识蒸馏技术将图神经网络（GNNs）和多层感知器（MLPs）相结合，提出了无图依赖的神经网络GLNNs，并在7个数据集的生产环境中证明其比GNNs更快且准确率接近，适用于延迟受限的应用程序。

    Oct, 2021

  • 图神经网络节点分类的简化方法

    本研究提出了一种特征选择Graph Neural Network（FSGNN）模型，通过解耦节点特征聚合步骤和深度，使用softmax作为聚合的特征的正则化器和L2规范化技术，实现了对不同聚合的特征的作用进行实证分析，最终在9个基准数据集上创建了一种简单而浅的模型，取得了比现有GNN模型更好的性能。

    Nov, 2021

  • GraFN: 基于非参数分布分配的少标签图上半监督节点分类

    该研究提出了一种名为 GraFN 的半监督方法来解决使用少量标记节点的图节点分类问题，它既结合了自监督方法的性能优势，又能够实现类别之间的节点区分。

    Apr, 2022

  • 关系感知能量产生异构图神经网络的下降步骤

    该研究提出了一种基于双层优化的异构图神经网络结构，其可以有效处理节点分类任务中的深度模型中可能出现的oversmoothing问题，并捕获异构图结构数据的长程依赖关系，同时能够建模不同节点类型之间的异质性关系，避免了过度平滑效应。实验结果表明，该模型可以取得有竞争力的节点分类精度。

    Jun, 2022

  • 从节点相互作用到跳跃相互作用:新的有效和可扩展的图学习范例

    本篇研究提出了一种新的跳数交互范式——Hop Interaction paradigm来同时解决Graph Neural Networks在可扩展性，平滑性方面的限制，并设计了HopGNN框架来优化模型效率和性能，最终实验结果表明该模型在广泛的数据集上表现卓越。

    Nov, 2022

  • Flip Initial Features: 一种基于稀疏特征的神经网络半监督节点分类的通用方法

    该论文提出一种简单而新颖的策略，通过同时翻转初始特征和超平面来创造额外的空间，以有效缓解图神经网络中的过拟合问题，并在真实世界数据集上进行了广泛实验，证明该技术将节点分类准确率提高了高达40.2％。

    Nov, 2022

  • 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

  • 熵感知训练方法用于快速准确的分布式图神经网络

    通过改进分布式框架和训练技术，提高了大规模图神经网络的训练效率和准确性，减少了数据分布和类别不均衡引起的性能下降，并在基准测试中实现了训练时间加速和F1分数的提升。

    Nov, 2023

  • 图相似性正则化软最大值用于半监督节点分类

    本文解决了传统软最大分类器在半监督节点分类中缺乏图结构空间信息的问题。通过将非局部总变差正则化引入软最大激活函数，本文提出了一种新的分类方法，能够更有效地捕捉图中固有的空间信息。实验结果表明，图相似性正则化软最大值在节点分类和泛化能力上表现良好，适用于各种图结构。

    Sep, 2024