Jul, 2023

面向属性网络嵌入的协作图神经网络

PDF
TL;DRCOllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构，通过选择性地传播来自相邻节点和相关属性类别的消息，并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色，超过了现有的嵌入算法。
graph neural networksattributed network embeddingnode attributesreconstructing node attributescollaborative graph neural networks--conn
发现论文，激发创造
  • DGNN：属性和图嵌入表示的结构一致性解耦的图神经网络

    通过解耦特征和图信息，提出了一种新的图神经网络框架（Decoupled Graph Neural Networks，DGNN），以获得更全面的节点嵌入表示，并通过在属性和图空间中探索不同的嵌入表示来提高节点分类的性能。

    Jan, 2024

  • 预训练与学习：为图神经网络保留全局信息

    该论文提出了一种名为 G-GNNs 的新型模型，通过无监督预训练获取节点的全局结构和属性特征，然后利用这些特征和原始网络属性，提出了一种 GNN 的并行框架以从这些特征中学习不同的方面。该模型的学习方法可应用于平面图和属性图，并通过 extensive experiments 在三个标准评估图上表现优异，特别地，在属性图学习方面，G-GNNs 在 Cora (84.31%) 和 Pubmed (80.95%) 上建立了新的基准记录。

    Oct, 2019

  • 自适应图卷积的归属图聚类

    本文提出了一种自适应图卷积方法来处理带属性的图聚类问题，该方法利用高阶图卷积来捕获全局聚类结构，并针对不同的图自适应地选择适当的阶数，而实验结果表明，该方法与现有的最先进方法相媲美。

    Jun, 2019

  • 内容增强图神经网络

    本文中，我们提出了在高级 GNN 层次中通过内容生成的嵌入来增强节点嵌入，实验证明我们的模型具有高准确性和性能。

    Nov, 2023

  • 图神经网络中节点特征

    本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

    Nov, 2019

  • 一种集体学习框架以提高 GNN 表达能力

    本文提出了一种基于集体学习和自监督学习的蒙特卡洛采样框架，用于将当前的 GNN 模型进行增强以实现节点分类，实验结果表明，该方法在五个真实世界的网络数据集上都取得显著的性能提升。

    Mar, 2020

  • 联合商品推荐与属性推断：自适应图卷积网络方法

    该研究提出了一种自适应图卷积网络的方法，用于联合推荐系统中的商品推荐和属性推断，通过迭代学习图嵌入参数和估计属性值来提高性能。

    May, 2020

  • 自动图神经网络

    本研究提出自动设计深层 GNN 的方法，其中添加了新型的跳跃连接以促进特征重用和缓解梯度消失问题，并允许进化算法在演化过程中增加 GNN 层数来生成更深的网络，在 Cora、Citeseer、Pubmed 和 PPI 数据集上实验表明，GNNs 的生成结果具有最先进的性能。

    Nov, 2020

  • 学习动态环境下的带属性网络嵌入

    本研究提出了一种新的动态属性网络嵌入框架 ——DANE，该框架采用了一种离线方法来达成共识嵌入，然后利用矩阵扰动理论来在在线方式下保持末状态的新鲜度。

    Jun, 2017

  • 基于梯度的归因方法解释和理解图卷积神经网络

    本文提出了一种 Node Attribution Method (NAM) 梯度归因分析方法和 Node Importance Visualization (NIV) 方法，用于分析处理非格型关系数据如图形的图卷积神经网络（GCN）模型，并得出模型对 GCN 输出的贡献从而解决现有分析方法难以解释 GCN 预测结果的问题。

    Mar, 2019