Jul, 2023

带有特征和邻接矩阵对齐的强健图结构学习

PDF
TL;DR本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。
graph neural networksgraph structure learningalignmentnode-level rademacher complexitysparse dimensional reduction
发现论文，激发创造
  • 自监督图结构细化用于图神经网络

    本文提出了一种图结构学习方法 —— 图结构精炼方法 (GSR)，采用预训练 - 微调管道，通过多视角对比学习和概率估计相结合的方式，提高了图神经网络 (GNN) 的效能和扩展性。

    Nov, 2022

  • 图结构学习的调查：进展与机遇

    本文综述了最近在图结构学习（GSL）方法中的 进展，着重于建模图结构的方法，应用和未来方向。GSL 旨在联合学习优化的图结构和对应的图表示。

    Mar, 2021

  • OpenGSL：图结构学习的全面基准

    这篇论文介绍了 OpenGSL，这是第一个全面的 Graph Structure Learning 基准，旨在通过评估出现在各种流行数据集，以及使用统一数据处理和分割策略的最新 GSL 方法之间的公平比较，缩小研究进展存在的差距。

    Jun, 2023

  • 自主引导的鲁棒图结构优化

    在本文中，我们提出了一种自导向的图结构加强 (GSR) 框架 (SG-GSR)，该框架利用给定的受攻击图中发现的一个干净的子图。此外，为了应对干净子图提取中的两个技术挑战，即结构信息的丢失和不平衡节点度分布，我们提出了一种新颖的图扩充和群体训练策略。广泛的实验证明了 SG-GSR 在各种情况下的有效性，包括非目标攻击、有针对性的攻击、特征攻击、电子商务欺诈和嘈杂节点标签。

    Feb, 2024

  • SE-GSL: 通过结构熵优化实现通用且有效的图结构学习框架

    本文提出了一个名为 SE-GSL 的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。

    Mar, 2023

  • 无监督深度图结构学习

    本论文提出了一种实用的无监督图结构学习（GSL）范式，使用自我监督对比学习辅助产生 “锚图” 目标，采用新型自举机制升级锚图并设计多种图学习器和后处理方案，取得了显著有效性和优化图的高质量。

    Jan, 2022

  • GraphEdit: 大规模语言模型用于图结构学习

    通过使用大型语言模型来学习图结构数据中的复杂节点关系，GraphEdit 方法无论在去噪连接还是从全局角度识别节点依赖方面都提供了全面的图结构理解，有效克服了显式图结构信息的局限性，增强了图结构学习的可靠性。

    Feb, 2024

  • 基于语义知识的多变量时间序列预测的规则化图结构学习

    本文提出了一种正则化图结构学习模型 (RGSL)，通过节点嵌入推导出隐式的密集相似矩阵，利用 Gumbel Softmax 技巧学习稀疏的图结构，然后使用 Laplacian Matrix Mixed-up Module (LM3) 将显式与隐式图结构融合。实验结果表明，RGSL 模型比现有图预测算法表现更出色，并同时学习有意义的图结构。

    Oct, 2022

  • TabGSL: 表格数据预测的图结构学习

    本文提出了一种利用图结构学习和图神经网络预测表格数据的新方法，通过提出的图对比学习模块、基于 Transformer 的特征提取器和图神经网络来同时学习实例相关性和特征交互，在 30 个基准表格数据集上的全面实验表明，TabGSL 明显优于树结构模型和最近的基于深度学习的表格模型。

    May, 2023

  • 图学习网络：一种结构学习算法

    本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

    May, 2019