Sep, 2023

大规模属性图节点表示学习中的标签解卷积以消除学习偏差

PDF
TL;DR在属性图上的节点表示学习中，我们提出了一种有效的标签正则化技术，即标签解卷积（LD），以解决联合训练中的学习偏差问题，该方法能够显著优于开放图基准数据集上的现有方法。
node representation learningattributed graphspre-trained modelsgraph neural networkslabel regularization technique
发现论文，激发创造
  • 面向属性网络嵌入的协作图神经网络

    COllaborative 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。

    Jul, 2023

  • 消除偏见标签选择偏差的无知图神经网络

    本文提出用于消除图神经网络中选择偏差的 Debiased Graph Neural Networks 方法，并通过多个实验验证其超越了现有方法，DGNN 是增强现有 GNN 的灵活框架。

    Jan, 2022

  • 可解释的深度图形生成 —— 节点、边的协同解耦

    本研究提出了一种新的解缠结生成模型的增强型框架，采用新的变分目标来解缠所有类型的潜在因子，并通过新的节点和边解缠架构进一步增强单因子的解缠度。定量定性实验表明，该模型扩展性强，能够高效地解决解缠在图像生成中的问题。

    Jun, 2020

  • 标签噪声下的图学习

    本文提出了一种名为 Consistent Graph Neural Network（CGNN）的新方法，它在图的标签噪声下仍然能够对节点进行分类，并通过基于同质性假设的样本选择技术来检测和纠正噪声标签。实验证明，与现有技术相比，CGNN 在三个基准数据集上具有更好的表现。

    Jun, 2023

  • 利用标签技巧在多节点任务中提高图神经网络的性能

    本文提出了使用图神经网络（GNN）进行多节点表示学习的理论，介绍和证明了直接聚合单个节点表示无法捕捉节点集中节点间依赖性的弊端，提出了一种区分目标节点和其他节点的标记技巧（Labeling trick）以及将其扩展应用到偏序集、子集和超图中，通过实验证明了该技术可在无向 / 有向链接预测、超边预测、子图预测等多个任务中提升 GNN 的性能。

    Apr, 2023

  • 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

  • 基于图数据的反卷积神经网络

    该研究提出了一种名为图解卷积网络（GDN）的解决方案，旨在通过组合频谱域中的逆滤波器和小波域中的去噪层，实现对由图解卷积网络（GCN）平滑的图形数据的重建操作，同时解决信号中的噪声干扰问题，它在图特征补全和图结构生成等多项任务中展示出了有效性。

    Oct, 2021

  • 标签技巧：使用图神经网络进行多节点表示学习的理论

    该论文介绍了使用图神经网络（GNN）进行多节点表示学习的理论，指出之前的方法不能有效地捕捉节点集中节点之间的依赖关系，探究了节点标注技巧，证明其是解决节点集合联合学习任务的最通用方法。

    Oct, 2020

  • 重思面向图结构数据的独立交叉熵损失

    本文提出了一种新的框架，称为联合簇监督学习，用于建模每个节点与其相应簇的联合分布，通过联合损失训练图神经网络，从而明确地增强目标节点的区分能力，并且有效地保护节点分类不受敌对攻击的影响。

    May, 2024

  • 图神经网络从结构信息中可得证明的益处：视作特征学习角度

    本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用，提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征，发现图卷积显着增强了对手 CNN 的良性过拟合的范围，并且在梯度下降训练后， GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异，这一结论在我们的实证模拟中得到了进一步证实。

    Jun, 2023