Oct, 2023

增强的图神经网络与以自我为中心的谱子图嵌入增强

PDF
TL;DR在复杂网络中，图神经网络（GNNs）在各种基于学习的任务中表现出显著的优势。然而，对于许多网络应用而言，节点级信息可能缺失或不可靠，从而限制了 GNNs 的适用性和效果。为了解决这个问题，我们提出了一种名为 Ego-centric Spectral subGraph Embedding Augmentation（ESGEA）的新方法，旨在增强和设计节点特征，特别是在信息缺乏的情况下。我们的方法利用局部子图的拓扑结构来创建具有拓扑感知能力的节点特征。子图特征通过高效的谱图嵌入技术生成，并作为捕捉网络局部拓扑结构的节点特征。如果存在显式节点特征，则使用子图嵌入来增强这些特征以提高整体性能。ESGEA 适用于任何基于 GNN 的架构，即使在没有节点特征的情况下也能有效。我们在一个社交网络图分类任务以及一个节点分类任务上对所提出的方法进行了评估，其中节点属性不可用或特征被破坏甚至不存在。对七个数据集和八个基准模型的评估结果表明，在图分类任务和节点分类任务中，AUC 值和准确度分别提高了 10% 和 7%。
graph neural networksnode-level featuresego-centric spectral subgraph embedding augmentationtopology-aware node featuressocial network graph classification
发现论文，激发创造
  • 自强化图神经网络：利用模型输出提升图神经网络

    本文提出了一种自我增强的图神经网络 (SEG)，通过从拓扑和节点标签两个方面优化输入数据质量，改善了现有 GNN 模型的性能，并配合实验结果验证了 SEG 的效果。

    Feb, 2020

  • 通过边级别自我网络编码改进子图 - GNNs

    通过提供额外的节点和边缘特征或扩展消息传递格式，我们提出了一种新颖的用于在图上学习的边缘级自我网络编码，可以提升消息传递图神经网络（MP-GNNs）的能力。理论上，该编码比基于节点的子图 MP-GNNs 更具表现力。在四个基准测试和 10 个图形数据集的实证评估中，我们的结果在表现力、图形分类、图形回归和接近性任务方面与之前的基准线相匹配或有所提高，同时在某些实际环境中减少了 18.1 倍的内存使用。

    Dec, 2023

  • 迭代图神经网络通过解释的频繁子图挖掘进行增强

    我们提出了一种基于可解释人工智能的模型改进方法，名为 Explanation Enhanced Graph Learning (EEGL)，旨在通过解释来提高图神经网络（GNN）在节点分类中的预测性能。EEGL 是一个迭代的自我改进算法，通过频繁子图挖掘来寻找解释子图中的相关模式，并进一步过滤以获得与节点邻域中特定子图的存在对应的应用相关特征。我们提供了针对这种基于子图的 Weisfeiler-Leman（1-WL）算法扩展的应用相关算法，并通过合成和真实世界数据的实验证据表明，EEGL 在预测性能方面优于相关方法，并具有超越普通 GNN 的节点区分能力。我们还分析了 EEGL 的训练动态。

    Mar, 2024

  • Eigen-GNN: 一种用于保留图结构的插件的 GNN 插件

    Eigen-GNN 是一种简单而有效的插件模块，通过将 GNN 视为一种降维类型并扩展初始降维基础，将图结构的特征空间与 GNN 相集成，从而提高了 GNN 在保留图结构方面的能力，并在节点分类、链接预测和图同构测试等任务中表现出良好的灵活性和有效性。

    Jun, 2020

  • 协同深度图聚类网络

    使用图神经网络（GNNs）学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而，现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明，增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示，而高质量的节点表示可以指导结构的增强，从而提高结构的可靠性。此外，现有基于 GNNs 的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好，但在具有低同质性的图上表现较差。为此，我们提出了一个名为 Synergistic Deep Graph Clustering Network（SynC）的图聚类框架。在我们的方法中，我们设计了一个名为 Transform Input Graph Auto-Encoder（TIGAE）的模型来获取高质量的嵌入，并用于引导结构增强。然后，在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入，并进行自监督聚类。值得注意的是，表示学习和结构增强共享权重，从而大大减少了模型参数的数量。此外，我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在 GitHub 和 Code Ocean 上发布。

    Jun, 2024

  • Ego-GNNs：利用 Ego 结构在图神经网络中

    本研究提出了新的 Ego-GNN 方法，通过增加在每个节点周围子图中定义的信息来扩展 GNN 的消息传递操作，并证明了 Ego-GNN 比标准消息传递 GNN 更强大，能够识别封闭三角形，从而在绝大多数现实世界的图中更有效地进行节点分类。

    Jul, 2021

  • 通过图增强改进知识图谱实体对齐

    本篇论文提出了一种基于图增强的新颖实体对齐方法 GAEA，结合实体 - 关系编码器和图扩充的方法来消除 KG 的结构异质性，进一步提高模型的对齐效果。

    Apr, 2023

  • 基于语义 - 结构注意力增强的图卷积网络的节点分类

    通过引入语义 - 结构注意力增强图卷积网络（SSA-GCN），本研究在提取顶点分类性能方面不仅对图结构进行建模，还从无监督特征提取的角度提取通用特征，通过交叉注意力机制整合这些特征，以增强图卷积网络的泛化能力。在 Cora 和 CiteSeer 数据集上的实验证明了我们提出的方法所取得的性能提升，而且在隐私设置下表现出优异的准确性，使其成为图数据分析的坚实有效解决方案。

    Mar, 2024

  • 自注意力增强的图卷积网络：结构学习和节点嵌入

    本研究提出了一种名为 GCN-SA 的新型图学习框架，它具有出色的节点级表示学习的泛化能力，并且通过自注意机制和改进的转换器块实现了对长程依赖关系的捕捉，从而使其能够在具有不同程度同质性的图上进行表示学习。

    Mar, 2024

  • 自监督边特征改进图神经网络训练

    本文介绍了一种使用自监督和无监督学习相结合的方法创造新的边特征的框架，并结合基于 Popular GNN 架构提取的节点特征，通过一个端到端的训练方案用于节点分类。在三个生物数据集上验证了这种方法，该方法对基线 Graph Attention Network (GAT) 和 Graph Convolutional Network (GCN) 模型有更好的效果，并且通过关注边和节点特征的机制，能够解释决定 COVID-19 的过程和严重程度的细胞类型和基因，为潜在疾病生物标记物和治疗靶点的不断发现做出贡献。

    Jun, 2020