Dec, 2023

SimCalib: 基于节点相似度的图神经网络校准

PDF
TL;DR通过理论分析揭示了图神经网络（GNN）校准与节点相似性之间的关系，并提出了一种新的校准框架 SimCalib，该框架能够考虑全局和局部层面上的节点相似性，实验证明节点相似性与模型校准的改进存在相关性，并通过在 14 个基准测试中达到最先进性能的大量实验，证明了提出的 SimCalib 框架对 GNN 校准的有效性。
graph neural networksgnn calibrationnodewise similaritysimcalibover-smoothing
发现论文，激发创造
  • SimGNN：一种快速图相似度计算的神经网络方法

    本文提出一种新颖的神经网络方法 SimGNN，该方法通过可学习的嵌入函数和注意力机制实现了对图形编辑距离等图形相似性计算的高效计算和良好性能的综合优化，并在三种真实图数据集上取得了比现有基线算法更小的误差率和更大的时间降低。

    Aug, 2018

  • 节点相似度保持的图卷积网络

    该研究提出了一种名为 SimP-GCN 的新框架，它可以有效地保留节点相似性，同时利用图结构进行图表示学习，并使用自监督学习以显式捕获节点之间的复杂特征相似性和相异性关系。该框架在多个基准数据集上取得了比代表性基线更好的效果。

    Nov, 2020

  • 卷积集匹配用于图形相似度

    使用卷积神经网络在三个真实图形数据集上，展示了 GSimCNN 在计算结点间相似度方面的卓越性能。

    Oct, 2018

  • 多尺度卷积集匹配学习的高效图相似度计算

    本文介绍了 GraphSim 模型，该模型从直接匹配两组节点嵌入的角度解决了图相似性计算问题，获得了在四个真实世界图数据集上的最先进性能。

    Sep, 2018

  • 神经高斯相似性建模用于差分图结构学习

    通过使用可微分采样替代非可微邻近采样，我们构建了一种差分图结构学习模型，其中提出了钟形高斯相似性（GauSim）建模用于采样非最近邻，进一步提出具有灵活采样行为的可学习参数的神经高斯相似性（NeuralGauSim），同时通过将大规模图转换为转换图来显著降低计算复杂度。实验结果证明了所提方法的有效性。

    Dec, 2023

  • 图神经网络为何出现误校准？

    本研究通过系统研究了图神经网络（GNN）节点预测的校准质量，提出了一个名为图注意力温度缩放（GATS）的新的校准方法，该方法使用基于注意力的体系结构进行节点温度缩放，适用于各种图数据集和 GNN 骨干。

    Oct, 2022

  • 自信！通过置信度校准实现值得信赖的图神经网络

    本文提出了一种基于拓扑感知的后处理校准函数的信任度高的 GNN 模型 ——CaGCN，通过学习得到每个节点的校准置信度，进而提高自训练框架中的性能表现。通过实验验证了该模型在置信度和准确性方面的有效性。

    Sep, 2021

  • NetSimile: 一种可扩展的基于大小无关的网络相似性方法

    本研究提出 NetSimile，一个能够快速评估不同网络相似性和提取描述性数字特征的方法，以在图挖掘中进行聚类、异常检测、可视化、网络转移学习和重新识别等任务中具有卓越的效果，并在多个合成和真实图表现出更好的性能表现。

    Sep, 2012

  • 图神经网络是否被误校准？

    本文对多个数据集上应用先进的图神经网络（Graph Neural Networks，GNNs）进行校准的实验进行了实证评估，结果表明，GNNs 在一些数据集上可以被校准，但在另一些数据集上却可能出现重大偏差，而且目前先进的校准方法可以提供帮助，但并不能完全解决问题。

    May, 2019

  • 2-hop 邻居类相似度（2NCS）：预示图神经网络性能的图结构度量

    通过介绍 2NCS 方法，本文挖掘了同质网络比率和 Cross-Class 邻域相似性 (CCNS) 等指标的局限性，并在一个合成和 8 个真实图数据集上进行实验，结果表明 2NCS 可以更准确和一致地评估基于 GCN 和 GAT 的体系结构在节点分类任务上的准确性。

    Dec, 2022