Sep, 2023

SANGEA：可扩展的和带属性的网络生成

PDF
TL;DR通过将大图分解成社区，并对每个社区使用一个合成图生成器进行训练，然后将社区图链接在一起以创建一个合成的大图，我们提出了一个大小可扩展的合成图生成框架 SANGEA，其扩展了任何合成图生成器对大图的适用性，并且通过我们的实验证明了 SANGEA 生成的图与原始图在拓扑结构和节点特征分布方面具有很高的相似性，同时在链接预测等下游任务上具有很高的效用，且对生成的图进行了隐私评估以证明在具有良好效用的同时，它们也达到了合理的隐私得分。
synthetic graph generatorsgenerative modellingsangealarge graphsprivacy assessment
发现论文，激发创造
  • SaGess：采样图去噪扩散模型用于可伸缩图生成

    本文中提出了 SaGess，一种用于生成大规模真实世界网络的离散去噪扩散方法，能够通过扩大扩散模型并使用分治框架来生成较大的图形，并通过任务驱动模型，即链接预测，在评估合成数据集方面取得了较好的效果。

    Jun, 2023

  • SGA：一种用于带符号图神经网络的图增强方法

    本研究通过使用数据增强技术解决了当前基于 SGNN 的有向图表示学习所面临的稀疏性、不平衡三角形和缺乏附加信息的挑战，并引入了一种新颖的有向图增强框架（SGA），通过 SGNN 模型编码有向图、提取潜在结构信息并评估候选样本，最终改善了多个性能指标。

    Oct, 2023

  • 自我标签增强训练的可伸缩自适应图神经网络

    本研究提出了可扩展和自适应图神经网络（SAGN），采用基于注意机制的邻域信息聚集和自我 - 标签增强框架（SLE），以结合半监督的节点标签训练。实验结果表明，相比其他基于采样和非采样的方法，SAGN 实现了更好或相当的结果，并且 SLE 可以进一步提高性能。

    Apr, 2021

  • 大规模图的对抗攻击

    本文提出了一种简化梯度攻击的方法，可以通过多阶段攻击框架在只需较小子图的情况下使图神经网络误分类。此外，作者还提出了度同配改变这一实用指标来衡量对图数据的对抗攻击的影响。

    Sep, 2020

  • Hyper-SAGNN: 一种基于自注意力的超图神经网络

    本文介绍了一种新的基于自注意力机制的图神经网络 Hyper-SAGNN，可用于不同类型的超图及其不同的学习任务，包括各种基准网络数据集以及基因组学中的单细胞 Hi-C 数据集。该模型在传统任务上优于现有模型，在新任务 “outsider identification” 上表现优异。

    Nov, 2019

  • 用于基准图学习的合成图形生成

    本文介绍了如何利用合成图形进行基准测试，以深入研究不同类型的图学习算法科学性能，研究结果显示我们的框架为无监督和有监督图神经网络模型提供了洞见。

    Apr, 2022

  • 用于大规模图形生成的分层 GNN

    该研究提出了一种名为 HIGGS 的模型无关框架，使用具有条件生成能力的 GNN 模型以分辨率层次结构采样图来生成具有大规模且具有现实局部结构的图。

    Jun, 2023

  • 使用图神经网络创造逼真的合成社交网络

    本研究评估了使用图神经网络（GNN）生成社交网络的潜力，发现 Gated Recurrent Attention Network（GRAN）比基准规则生成方法 Recursive-MATrix（R-MAT）更能复制结构动态，但计算成本略高。

    Dec, 2022

  • 基于深度生成模型的稀疏图可扩展建模

    本研究提出了一种基于自回归模型的图生成方法 (BiGG)，其利用稀疏性避免生成完整的邻接矩阵，并将图生成时间复杂度降至 O ((n + m) logn)。实验表明，该方法不仅比之前的自回归图生成模型能够处理更大的图像，而且生成质量更高。

    Jun, 2020

  • 可扩展的 Inception 图神经网络 (SIGN)

    本文提出了一种新的、高效且可扩展的图深度学习架构，通过使用不同尺寸的图卷积滤波器，绕过了图采样的必要性，从而允许极快速的训练和推理，同时在比对测试中展现了与其他最先进架构相竞争的表现，对于包含超过 1.1 亿个节点和 15 亿条边的公共图数据集 ogbn-papers100M 实现了最先进的结果。

    Apr, 2020