SGA:一种用于带符号图神经网络的图增强方法
我们提出了一种基于课程的训练方法,通过引入轻量级机制和创造签名图课程表示学习框架,优化了 SGNN 模型呈现样本的顺序,并在六个真实数据集上进行了实证验证,结果表明在链接符号预测(AUC)中,模型的准确性提高了 23.7%,标准差降低了 8.4。
Oct, 2023
本文中,我们提出了基于图注意力网络(GAT)的正负权网络的通用求解器 - Signed Graph Attention Network(SiGAT)。SiGAT 结合了图图形理论,将常规 GAT 表示和处理有正权重和无权重的网络扩展到对于有正权重和负权重都包含的网络。实验结果表明,SiGAT 在三个真实数据集上的表现优于基于特征和网络嵌入方法,以及现有的基于 GNN 的方法,如带符号图卷积网络(SGCN)。
Jun, 2019
存在不可翻转的结构化平衡信息挑战时,我们提出了一种强大的平衡增强有符号图对比学习(BA-SGCL)框架,它结合了图对比学习原理和平衡增强技术,并且在各种数据集上展现了对抗攻击下的鲁棒性以及链接符号预测任务上的卓越性能。
Jan, 2024
本文提出了一种名为 SDGNN 的有向图神经网络模型,根据社会理论在有向网络中学习节点嵌入表示,并同时重建了链接的符号、方向和符号三角形。实验证明,该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。
Jan, 2021
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
本文介绍了一个名为 GAug 的图数据增强框架,并讨论了在图形神经网络 (GNN) 上进行数据增强的实际动机、考虑因素和策略,重点介绍了如何通过神经边缘预测器有效地提高节点分类性能。实验结果表明,通过 GAug 的数据增强可以提高 GNN 的性能,适用于多种基准数据集和架构。
Jun, 2020
本文提出了一种基于平衡理论的有向图卷积神经网络模型,用于在带有正负连接的有向图中进行节点表示学习,并证明其在 link sign prediction 等问题上的有效性。
Aug, 2018
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
本研究对四种图神经网络架构及五种节点人工特征进行分析,应用于分类任务,并比较它们在不同隐藏层维度下的性能。结果表明,高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。
Jan, 2024