AAAIDec, 2023

提升双层图自我监督预训练，结合模式发现

PDF
TL;DR我们提出了一种新颖的解决方案，双层图自监督预训练与图形模体发现（DGPM），通过引入独特的双层预训练结构来解决拓扑学习有限，依赖人类知识和多级交互无力等挑战。在 15 个数据集上的大量实验证实了 DGPM 的有效性和普适性，在无监督表示学习和迁移学习设置中优于最先进的方法。自主发现的模体展示了 DGPM 提升鲁棒性和可解释性的潜力。
graph pretrainingtopology learningmulti-level interactionsmotif discoveryunsupervised representation learning
发现论文，激发创造
  • 基于模式的图形表示对比学习

    通过学习图模式 (Motif)，对大型图数据库进行 GNN 预处理，进而利用学习到的模式采样更多信息化的子图，通过对子图的对比学习预训练 GNN，使其性能在多个基准数据集中平均提高了 2.04% 的 ROC-AUC。

    Dec, 2020

  • 基于模式图的分子属性预测自监督学习

    本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法，称为基于图案的图形自我监督学习（MGSSL）。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息，该框架可以在宽度优先或深度优先的方式下执行，并在不同的下游基准任务上进行了广泛实验，表明我们的方法优于所有最先进的基线。

    Oct, 2021

  • 基于特征分离和模式感知的短语定位图学习

    本文提出了一种基于图学习的新型短语图片对齐的框架，通过设计分离的图网络来区分场景图中的不同元素，添加干预策略并采用跨模态注意力网络来提高性能，实验结果表明模型在 Flickr30KEntities 和 ReferIt Game 基准数据集上达到了最先进的性能水平。

    Apr, 2021

  • 基于模式驱动的子图结构学习用于图分类

    本文探讨了子图结构学习在图分类中的潜力，同时提出了基于图形结构学习的 Motif - 驱动子图结构学习方法 (MOSGSL)，通过解决关键子图选择和结构优化的挑战，从而在图分类任务中取得了显著和一致的改进。

    Jun, 2024

  • 使用本地和全局结构进行自监督的图级表示学习

    该论文提出了一种统一框架，名为 GraphLoG，用于自监督整图表示学习，其除保留本地相似性外，还引入了分层原型来捕捉全局语义簇，进一步发展了一个高效的在线期望最大化算法来学习该模型，并在化学和生物基准数据集上进行了广泛实验，证明所提出的方法的有效性。

    Jun, 2021

  • MAGE: 基于构图模式的模型层面图神经网络解释

    通过使用基础单元为基本图案生成解释的基于 Motif 的 GNN 解释器（MAGE），本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集，验证了该方法的有效性。

    May, 2024

  • 基于模 motif 的注意力机制的图卷称神经网络

    本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。

    Nov, 2018

  • 一种用于预训练图神经网络的简单图级自监督策略：成对半图辨别

    本文提出了一种名为 PHD 的简单而有效的自监督预训练策略，通过在图级别上明确地预训练图神经网络，实现了对图数据的可传递、可推广和稳健的表征学习。结果表明，PHD 是一种有效的预训练策略，在与现有先进策略的比较中提供了相当或更优的性能，当与节点级别策略相结合时可实现显着的提高。

    Oct, 2021

  • 基于保持图模式的图神经网络与课程学习的金融违约预测

    通过设计模式保持的图神经网络与课程学习 (MotifGNN)，本研究提出了一种预测用户财务违约的方法，以同时学习原始图的低阶结构和基于多视图模式的图的高阶结构，以解决之前方法在面对信息有限用户时无法满足预测需求的问题。

    Mar, 2024

  • 异质性下的自监督学习和图分类

    本文探讨了自监督学习在异构图表征学习中的表现，并提出了一种基于度量的自监督预训练策略来增强 GRN 的图结构捕捉能力。实验结果表明，该预训练策略在分子属性预测和蛋白质功能预测任务中取得了最先进的性能。

    Jun, 2023