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
本研究提出选择性图增强方法(SAug)来解决现实中常见的结构不平衡问题,通过基于 Pagerank 的采样策略来识别中心节点和边缘节点,并提出了一种选择性增强策略来改善节点之间的结构不平衡,最终通过重新训练 GNN 模型实现在骨干 GNN 上的显著改进。
Mar, 2023
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
通过在给定图的一部分边缘分配随机权值的方式生成合成图,SoftEdge 方法可以缓解对原始图的语义更改,从而提高了图神经网络(GNN)的学习精确度和深度鲁棒性。
Apr, 2022
该研究在 Signed Networks 领域提出了两种基于弱平衡和强平衡的平衡度量,用于比较实际 Signed Networks 与理论建模的差异,并测试了使用平衡度量进行预测未知符号的能力。研究表明,这些度量能够较好地预测未知符号。
Sep, 2018
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
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拓扑信号驱动的自监督学习方法,通过使用多尺度的拓扑信息特征和具有高结构等价性的非邻居节点对之间的拖拽作用,解决了现有图神经网络中的邻近偏见问题,并在七个图数据集上的节点分类任务中有效提高了模型性能。
Dec, 2022