AAAIDec, 2023

基于异构图的鲁棒图卷积网络中的潜在同质结构优化

PDF
TL;DR我们研究了图卷积网络在节点分类中对普遍存在的异质图的鲁棒性，并发现主要的脆弱性源于结构上的分布不一致问题。为了解决这个问题，我们提出了一种新的方法，通过自动学习异质图上的潜在同质结构来加固 GCNs。这个方法被称为 LHS，通过多节点交互的新颖自表达技术学习潜在结构，然后使用双视图对比学习方法来细化结构。在各种基准测试上的实验表明，该方法对于鲁棒的 GCNs 具有有效性。
graph convolution networksgcn robustnessheterophilic graphslatent homophilic structuresstructural ood threats
发现论文，激发创造
  • 异质性下的鲁棒图结构学习

    我们提出一种新颖的鲁棒图结构学习方法，从异质数据中构建高质量的图，进而应用于下游任务。我们首先使用高通滤波器对每个节点进行编码，使其与邻居节点更具有区分度，然后学习一个具有自适应范数的鲁棒图，进一步利用新颖的正则化方法来改进图的结构。对异质图的聚类和半监督分类实验证明了我们方法的有效性。

    Mar, 2024

  • 同一问题的两个方面：图卷积神经网络中的异质性和过度平滑

    通过对节点进行度量和异质性分级，我们成功解释和预测了 GCNs 的过度平滑和异质性问题，并提出了结构和特征基础的边缘校正策略来处理这两个问题。

    Feb, 2021

  • GCNH: 异质图上的简单表示学习方法

    我们提出了 GCNH，是一种简单但有效的 GNN 架构，适用于异构和同质图形，并使用一个学习的重要系数平衡中心节点和邻域的贡献，可以解决异构图上性能问题和过度平滑问题。

    Apr, 2023

  • 适应传播机制的强力图卷积网络，用于同构性和异构性

    本文提出了一种新的传播机制，可以智能地根据同类和异类节点之间的同质性或异质性自动更改传播和聚合过程，并基于拓扑和属性信息学习同质性度量方法，以刻画不同类别节点之间的相似度，在七个现实世界数据集上实验表明该方法优于现有方法。

    Dec, 2021

  • 超越同质性：重构图形结构进行对图形不可知聚类

    本文提出了一种新的图聚类方法，包括三个关键组成部分：图重构、混合滤波器和双图聚类网络。实验结果表明，在 11 个基准图上，该方法在异质图上的表现优于其他方法。

    May, 2023

  • 异质友善信息增强图神经网络

    在异质性的情况下，图神经网络（GNNs）往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习，进而构建了一种新的图结构 HiGNN，该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较，我们验证了 HiGNN 在改进图表示方面的有效性，并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法，以及在真实世界数据集中的同质性程度，从而证明了我们方法的功效。

    Mar, 2024

  • 同赋关系对于图神经网络的必要性？

    本研究发现传统的 GCN 比使用新架构的 GNN 在特定条件下在某些常用异质图上表现更好，证实了同质性不是良好 GNN 性能的必要条件。

    Jun, 2021

  • 学习图神经网络的自适应邻域

    建立了一种可端到端学习的可微图生成器，用于动态构建拓扑结构和节点选择，应用于图卷积网络的轨迹预测、点云分类和节点分类等任务，提高了准确性。

    Jul, 2023

  • 图神经网络中超越同构性：现有限制与有效设计

    该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合，设计出一种草图神经网络（H2GCN），并通过实验表明其在半监督节点分类任务下，具有比传统模型更高的预测准确率，尤其对于异质性网络（即一对连接的节点可能具有不同的类别标签和不同的特征）表现更出色。

    Jun, 2020

  • 基于同质性增强的图聚类结构学习

    提出了一种基于同质性增强的结构学习方法（HoLe），通过两个聚类导向的结构学习模块对图结构进行了优化，并通过交替训练同质性增强的结构学习和基于 GNN 的聚类来实现它们的相互作用，在多个基准数据集上证明了其优越性。

    Aug, 2023