一种因果解耦的多粒度图分类方法
本文研究了图神经网络的偏差问题及其对泛化性能的影响,并提出了一种能够将因果关系和偏差变量进行分离的图神经网络框架,其中利用参数化边缘生成器将输入图形分为因果图和偏差子图并分别训练两个 GNN 模块,实现了对原模型的改进并取得了超越基线模型的泛化效果。
Sep, 2022
本文提出了一种名为 GraphDIVE 的基于节点嵌入的图分类不均衡问题的解决方案,使用多样的专家(即图分类器)进行图分类,通过分阶段训练实现对不均衡样本的有效分类。
Mar, 2021
介绍一种新的无监督图嵌入学习方法,使用自监督技术,通过将节点嵌入进行聚类并预测节点分配情况更新模型参数,加强类内联系和减少类间联系从而更好地保留了嵌入空间中的类簇结构,并在两个基准任务中使用真实世界数据集展开比较实验,证明了该模型在准确性方面比现有基线方法优越,特别地,在节点聚类方面的准确率提升了超过 7%
Sep, 2020
基于对比学习方法的成功,该文提出一种用于图上对比解缩的框架,采用了解缩编码器和两个经过精心设计的自监管信号,并使用该框架在 3 个引文网络上进行节点分类任务,实验结果验证了该框架的有效性。
Jun, 2023
本文提出一种名为 GRAPHEDM 的综合方法,旨在将有标注数据的网络嵌入、基于图的正则化神经网络和图神经网络三者统一起来,构成一种用于学习图表征的完整分类法。通过将现有的 30 多种算法整合到这一框架中,本方法具有很高的通用性,从而提供了理解这些方法背后的直觉基础,促进了此领域未来研究的发展。
May, 2020
该研究提出了一种名为 N-GCN 的模型,将图卷积网络和随机游走中的信息融合,训练多个 GCNs 实例,并学习组合不同距离下的节点对的实例输出,实现优化分类目标。实验证明,该模型在节点分类任务上表现优异,具有良好的通用性和鲁棒性。
Feb, 2018
本文提出了一种名为 ME-GCN(多维边增强图卷积网络)的模型用于半监督文本分类,该模型能够利用图的丰富边缘信息,通过将边特征作为多流信号进行单独图卷积操作,达到对整个文本数据集较好的分类效果。
Apr, 2022
本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络,旨在通过独立的信息传播来解缰语义特征和结构特征,以及通过超几何结构拉近数据分布和表示空间的差距,并在诸多真实世界异构图数据集上进行验证,结果证明其在超几何空间中解缰和表示异构图数据的有效性。
Jun, 2024