领域自适应消息传递图神经网络
本文研究跨网络节点分类问题,提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下,从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类,并在真实数据集上进行了大量实验评估,并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。
Sep, 2019
通过双重对抗学习的方法,本文提出了 Dual Adversarial Graph Representation Learning(DAGRL)来探索图拓扑结构,并且减少域间差异,实验证明了该方法的有效性。
Dec, 2023
本文介绍一种基于对抗性领域适应的深度网络嵌入模型,旨在实现跨网络节点分类。该模型利用两个特征提取器来保留节点之间的属性相似性和拓扑关系,并采用节点分类器和对抗性领域适应技术来使节点表示网络不变和有较好的标签判别能力。实验结果表明,该模型在跨网络节点分类问题上达到了最先进的表现。
Feb, 2020
提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架,通过生成 hierarchical structure,并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm,实现了对长程信息的高效访问,从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。
Sep, 2020
本文提出了 Graph Agent Network,一个图结构的代理网络,用于解决节点分类的抵抗者攻击。GAgN 通过节点之间的去中心化交互,可以学习推断节点的全局感知来执行任务,从而防止恶意消息在整个系统中传播,在扰动的数据集上实现了最佳的分类准确性。
Jun, 2023
GND-Nets, a new graph neural network that exploits local and global neighborhood information, is proposed to mitigate the over-smoothing and under-smoothing problems of Graph Convolutional Networks, using a new graph diffusion method called neural diffusions, which integrate neural networks into the conventional linear and nonlinear graph diffusions.
Jan, 2022
通过培训在两个不同的 CAMELS 流体动力学宇宙学模拟套件数据上的模型,我们研究了领域自适应图神经网络(DA-GNNs)的泛化能力,并通过最大均值差异(MMD)实现了无监督领域自适应,证明了 DA-GNN 在跨数据集任务上获得了更高的准确性和鲁棒性,显示出领域适应对适当的潜空间数据对齐的效果,这表明 DA-GNN 是一种提取领域独立宇宙学信息的有前途的方法,对于真实宇宙调查数据的强大深度学习是至关重要的一步。
Nov, 2023
提出了一种名为 CoCoGRL 的新方法来解决图形神经网络在图形分类,无监督学习,域适应等领域中需要大量标记成本的问题,此方法使用图形结构在多个视图上进行对比学习。
Jun, 2023
该研究论文提出了一种名为 CSGNN 的图神经网络方法,通过使用邻居聚合的潜在空间自适应选择可靠的节点,并解决了过拟合、标签噪声、类别选择和干净节点的学习问题。实验证明,CSGNN 在效果和鲁棒性上优于现有方法。
Nov, 2023
该论文提出了一种新的框架,使用基于节点度数的门控机制动态地调整图神经网络的层数,从而增强信息聚合的能力并减少过度平滑,通过实验验证该模型在多个数据集上表现良好。
May, 2022