通过对图神经网络的线性化,本文将其拆成了基于图滤波和基于集合函数的两个部分,并发现在图滤波时采用线性结构,而在集合函数时采用非线性结构,得到了同样好的结果,从而提出了更简单且高效的建模方案。
May, 2019
本研究探讨了零样本节点分类问题,通过提取高质量的类别语义描述并设计一种包含图学习模型的分解式原型网络方法,实现了对从未出现过的新类别节点的分类。
Jun, 2021
本文提出了一种名为GraphMixup的基于混合的框架,旨在改善图网络中的节点不平衡分类任务,通过使用两种基于上下文的自监督技术来捕获图结构中的局部和全局信息,并提出了针对图数据的Edge Mixup具体方法以及一种自适应机制Reinforcement Mixup。实验结果表明,GraphMixup对于节点不平衡分类任务具有非常好的效果。
通过softmax分布中的Wasserstein距离推断数据集中的隐藏图结构信息,分析节点标签的不均匀性的变化以增强模型性能,针对一些基准模型进行实验验证达到提高模型性能的目的。
Apr, 2023
研究了现实世界图形场景中某些类别实例比其他类别实例少的数据不平衡问题,发现传统的图神经网络会低估少数类样本的子空间,提出了一种名为GraphSHA的总体框架,该框架通过合成更难的小样本来扩大少数类决策边界,并针对不同图神经网络骨干编码器在七个公共基准数据集上进行节点分类实验,取得了优于其他基线方法的效果。
Jun, 2023
本文提出了一种名为COSMIC的图形式的新颖对比元学习框架,并通过丰富内部类可泛化性和生成硬节点类来增强跨类可泛化性,从而使少数样本节点分类的性能得到提升。
不需要训练或测试过程中使用图神经网络的全新节点分类方法,通过平滑性约束、伪标记迭代和邻域标签直方图的三个关键组成部分,可以在标准流行基准测试中达到业界最先进的准确性,如引文和共购买网络。
Feb, 2024
解决图结构数据中的类不平衡问题,引入BuffGraph,并将缓冲节点插入图中以改善少数类的表示,通过丰富实验表明BuffGraph在自然环境和不平衡环境下的节点分类中优于现有基线方法。
OpenIMA 是一个不依赖预训练图编码器的鲁棒性、基于对比学习的方法,用于从头开始训练节点分类模型并通过减小偏差的伪标签来解决开放世界半监督节点分类问题。
Mar, 2024
本论文提出了一种名为ORAL的开放世界图神经网络方法,用于在图中进行节点分类,并解决了图上发现新类别的挑战,通过半监督的原型学习检测类别之间的相关性,利用原型关注网络消除类别间的相关性,从而得到不同类别的区分性表示,通过对齐和组合多个堆叠的原型关注网络的标签估计生成伪标签以充分利用多尺度图特征,广泛实验证明了所提方法的有效性。