Jan, 2024

推断图神经网络的属性

PDF
TL;DRGNNInfer 是第一个为 GNN 提出的自动属性推理技术，通过识别具有显著贡献的代表性有影响力结构，并使用现有的属性推理技术来捕获 GNN 的特定结构属性，然后推广为包含这些结构的任何输入图形的属性。实验证明，GNNInfer 在推理现实世界的 GNN 的可能属性方面非常有效，并且能够有效地抵御 GNN 的后门攻击。
gnninferproperty inferenceinfluential structuresinput graphsbackdoor attacks
发现论文，激发创造
  • 利用检索增强的图神经网络进行图属性预测

    本文提出一种图检索机制叫做 GraphRetrieval 通过检索训练图来加强现有的图神经网络模型，利用自注意力的适配器从被检索图中获取有益信息并消除噪声，实现了对现有 GNN 模型效果的显著提升。

    Jun, 2022

  • 隐式图神经网络

    本文提出了一种名为 “Implicit Graph Neural Networks（IGNN）” 的图学习框架，其利用 Perron-Frobenius 理论来确保该框架的良好性，并利用隐式微分得到一种可行的投影梯度下降法来训练该框架，实验证明 IGNN 可以稳定捕捉长程依赖并优于现有的 GNN 模型。

    Sep, 2020

  • 探究图神经网络的内部逻辑及其逻辑性质

    本文旨在探究利用逻辑程序模拟图神经网络的信息传播机制，在解决节点属性预测问题中的应用，通过实现一个类似 Prolog 程序的逻辑程序来模拟图神经网络的信息传播阶段，并利用相似节点的属性推断测试集中的节点属性，与链接结构进行比较，得到更好的表现，在 ogbn-arxiv 节点属性推断基准测试上实现了与领先水平接近的结果，并为该数据集的性能上限提供了解释。

    Aug, 2022

  • 针对图神经网络的节点级成员资格推断攻击

    本研究针对图神经网络的隐私攻击风险展开了首个综合性的分析，提出并验证了三种攻击方法，并探究了两种防御机制的实用性。

    Feb, 2021

  • 使用 GNN 特性预测器作为分子生成器

    利用可逆神经网络直接生成具有期望电子性质的分子结构，该方法不需要对分子结构进行额外训练，通过严格的图构建规则确保化合价规则，将该方法应用于生成具有特定能隙和分配系数（logP）的分子，并在生成更多样化分子的同时，以与最先进的生成模型相媲美甚至更好的速率实现目标性质。

    Jun, 2024

  • 基于图神经网络的概率图模型推理

    使用图神经网络作为一种有利于推断任务的推送算法，对于在循环密集的概率有向图上显著优于置信传播算法

    Mar, 2018

  • 图神经网络的能力有多强？

    本文提出了一种理论框架来分析图神经网络的表达能力和限制，并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构，实验验证了理论的发现，并取得了最先进的性能。

    Oct, 2018

  • 统一标签输入图神经网络和深度平衡模型

    本文介绍了一种名为 Implicit GNN 的理论框架，能够通过只迭代网络一次但起始状态随机遮蔽的方式来优化无限传播的长距离标签，并将这种改进扩展到了复杂网络和大规模图上，实验结果证明其性能优于其他方法。

    Nov, 2022

  • 基于节点自适应传播的加速可扩展的图神经网络推理

    大规模图的实时推断对于图神经网络 (GNNs) 提出了一项重大挑战，但我们提出了一种在线传播框架和两种新的节点自适应传播方法来加速可扩展 GNNs 的推断过程，并通过简单的超参数灵活管理准确性和时延之间的平衡。此外，我们进一步提出了 Inception Distillation 来弥补推断准确性损失，实验结果显示我们的方法在精确性和效率上优于现有的图推断加速方法。

    Oct, 2023

  • 图神经网络的黑盒属性推断攻击是否构成隐私风险？

    本研究调查了对图结构数据及其相应的图神经网络模型的黑盒属性推理攻击是否构成重要的隐私风险，并发现当攻击者具有对目标模型的黑盒访问权限时，与缺失值估计技术相比，GNNs 通常不会显着透露更多信息。

    Jun, 2023