基于同质性增强的图聚类结构学习
我们提出一种新颖的鲁棒图结构学习方法,从异质数据中构建高质量的图,进而应用于下游任务。我们首先使用高通滤波器对每个节点进行编码,使其与邻居节点更具有区分度,然后学习一个具有自适应范数的鲁棒图,进一步利用新颖的正则化方法来改进图的结构。对异质图的聚类和半监督分类实验证明了我们方法的有效性。
Mar, 2024
本文提出了一种新的图聚类方法,包括三个关键组成部分:图重构、混合滤波器和双图聚类网络。实验结果表明,在 11 个基准图上,该方法在异质图上的表现优于其他方法。
May, 2023
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
使用图神经网络(GNNs)学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而,现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明,增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示,而高质量的节点表示可以指导结构的增强,从而提高结构的可靠性。此外,现有基于 GNNs 的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好,但在具有低同质性的图上表现较差。为此,我们提出了一个名为 Synergistic Deep Graph Clustering Network(SynC)的图聚类框架。在我们的方法中,我们设计了一个名为 Transform Input Graph Auto-Encoder(TIGAE)的模型来获取高质量的嵌入,并用于引导结构增强。然后,在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入,并进行自监督聚类。值得注意的是,表示学习和结构增强共享权重,从而大大减少了模型参数的数量。此外,我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在 GitHub 和 Code Ocean 上发布。
Jun, 2024
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
本文探讨了自监督学习在异构图表征学习中的表现,并提出了一种基于度量的自监督预训练策略来增强 GRN 的图结构捕捉能力。实验结果表明,该预训练策略在分子属性预测和蛋白质功能预测任务中取得了最先进的性能。
Jun, 2023
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
在本研究中,我们以往对同质性和异质性之间的二分法的认识启发了我们对深度图网络的归纳偏差的研究。然而,最近的研究指出,这种二分法过于简单,因为我们可以构建节点分类任务,其中图形完全异质,但性能仍然很高。我们的工作通过形式化两个生成过程来研究当这种强假设不成立时会发生什么,这两个生成过程可以用于构建和研究即席问题。通过一个我们称之为特征信息量的度量来定量衡量节点特征对目标标签的影响,我们构建了六个合成任务并评估了六个模型(包括对结构不可知的模型)的性能。我们的发现揭示了在放松上述假设时先前定义的度量不适用的事实。我们对研讨会的贡献旨在呈现可能有助于推进我们对该领域的理解的新的研究成果。
Aug, 2023
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
为优化基于超图的数据表示学习中的超图结构,我们提出一种名为 DeepHGSL 的深度学习超图结构学习的通用范式,并引入信息瓶颈原理来构建损失函数,以减少超图结构中的噪声信息,从而提取更加鲁棒的特征表达,在四个基准数据集上的实验结果表明了模型的有效性和鲁棒性。
Aug, 2022