非线性适正平滑的半监督学习
通过实验证明,在许多标准的节点分类基准测试中,结合忽略图结构的浅层模型和利用标签结构相关性的两个简单的后处理步骤可以比 GNN 在性能上优秀或者与之匹配,同时仅需使用一小部分 GNN 的参数并拥有更快的运行时间。
Oct, 2020
本文针对关系网络中的半监督学习问题提出了两种可扩展的方法,可以更好地处理链接多样性和分类异质性等图结构异质性,相比于现有算法,我们的方法在不需要先验知识的情况下提供更好的分类性能。
Dec, 2016
本文提出了基于标签一致性的图神经网络(LC-GNN),扩大了 GNN 中的节点感受野,利用未连接但标签相同的节点对。在基准数据集上的实验证明,LC-GNN 在图形半监督节点分类方面优于传统的 GNN,在只有少数标记节点的稀疏场景中也表现出优越性。
Jul, 2020
本文提出了一种名为 LERP 的新方法解决 GraphHop 方法在分类节点时出现的两个缺陷,并在多个数据集上进行实验,表明 LERP 方法在极低标签率下表现最佳。
Apr, 2022
本论文介绍了一种将分布式图信号运用于图神经网络中、以提高 GNN 在半监督节点分类中性能的正则化方法。通过数值实验发现,该方法能够显著改善不同问题设置下大多数基本 GNN 模型的性能。
Apr, 2023
本文探讨了标签传播 (LPA) 算法与图卷积神经网络 (GCN) 在节点分类领域中的关系,并基于理论分析提出了一种端到端模型,它将标签传播作为正则化来协助 GCN 学习正确权重,提高了节点分类的准确性。
Feb, 2020
本研究介绍了一种称为 KGNN-LS 的新方法,它使用知识图谱和图神经网络来提高推荐系统的准确性,通过标签平滑正则化(Label Smoothness regularization)在个性化图上计算嵌入,以提供更好的推荐。研究实验证明该方法超越了现有的基线算法。
May, 2019
本文介绍了一种平滑图对比学习模型(SGCL),它利用了扩充图的几何结构来在对比损失中注入与正负节点对相关的接近信息,从而显著规范化学习过程,并通过针对负样本的三种不同平滑技术调整对比损失中节点对的惩罚,以提高在大规模图上的可扩展性,通过在各种基准测试中的大量实验证明了该框架相对于最近的基准方法的优越性。
Feb, 2024
本文提出一种基于双层优化的方法,通过直接学习个性化 PageRank 传播矩阵以及下游半监督节点分类并同时进行学习,学习最佳的图结构,并探索低秩逼近模型以进一步降低时间复杂度。实证评估表明,所提出的模型在所有基线方法中具有更高的有效性和鲁棒性。
May, 2022
本文提出了一种新的 GNN 模型:$^p$GNN,它实现了细胞特征和拓扑信息的同时分类,特别适用于异质图,其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。
Nov, 2021