Feb, 2024

属性图模式学习：利用可训练属性的图模式进行预测性图挖掘

PDF
TL;DR通过结合近端梯度下降和图挖掘树搜索，本文提出了一种针对属性图数据的可解释分类算法 LAGRA（Learning Attributed GRAphlets），能够同时学习重要性权重和属性向量，从而获得对于区分不同类别有很大贡献的子图结构和属性向量的组合，同时将所有训练数据集中的子图结构视为候选的 AG（attributed graphlets）的结构，通过剪枝策略来提高计算效率并保持解决方案的质量，实验证明 LAGRA 在可解释的方式下仅使用少量 AGs 就能具有优秀的预测性能。
graph classificationinterpretable modelattributed graph datalagragraph mining
发现论文，激发创造
  • GAugLLM：使用大型语言模型改进文本属性图的图对比学习

    本研究通过语言监督来改善视图生成，介绍了 GAugLLM 框架，利用先进的大型语言模型（如 Mistral）增强自监督图学习，通过混合提示专家技术生成增强的节点特征，以及协作边修饰器来增强边的生成。实验结果表明，该框架可以作为插件工具增强领先的对比方法的性能，同时也能增强标准生成方法和流行的图神经网络的性能。

    Jun, 2024

  • 基于图感知逻辑回归和先发制人式查询生成的属性图主动学习

    该研究提出了一种基于图卷积神经网络的节点分类主动学习算法，采用预估误差减少来计算新的查询以降低标注者与系统的交互延迟，并通过对标签传播和线性化 GCN 进行自适应模型平均的混合算法来解决大量预先标注数据的缺失问题，在五个基准数据集上取得了显著的改进。

    Jul, 2020

  • 通过自监督对比学习实现属性缺失图的特征插值

    通过 Attribute missing Graph Contrastive Learning (AmGCL) 处理属性图数据中的缺失节点属性，提高特征推断和节点分类两个任务的性能。

    May, 2023

  • GRENADE: 自我监督表示学习的图中心语言模型

    通过图中心化的自监督学习算法，GRENADE 模型在文本属性图上能够有效地捕捉信息性的文本语义和结构上下文信息，出现了优于现有方法的结果。

    Oct, 2023

  • 利用大型语言模型强化文本属性图学习

    通过采用轻量级范式 ENG 以 Large Language Models 为基础，增强文本属性的图数据，包括通过节点生成使用 LLMs 提取语义信息和生成样本，以及通过边缘预测器将新生成的样本与原始图结合，从而在少样本情况下促进节点分类任务。

    Oct, 2023

  • MuseGraph: 面向通用图挖掘的大型语言模型的图导向指令调优

    提出了一种新颖的框架 MuseGraph，它无缝地整合了 GNN 和 LLM 的优势，通过自适应输入生成和多样化的指令生成机制，以及针对不同任务和数据集的图感知指令调优，提高了图任务的准确性，并保持了 LLM 的生成能力。

    Mar, 2024

  • 自然语言模型理解中的本地聚合特征归因

    本文提出了用于自然语言处理模型的新型基于梯度的特征暗示方法（Locally Aggregated Feature Attribution，LAFA），通过汇集从语言模型嵌入推导出的类似参考文本来平滑梯度，以实现对模型的解释性。该方法在公共数据集上进行了实验，包括实体识别和情感分析以及在构建的 Amazon 目录数据集上对重要特征的检测。通过实验，证明了该方法的优越性能。

    Apr, 2022

  • 学习超图正则化属性预测器

    该研究提出了一种基于超图的属性学习框架 ——Hypergraph-based Attribute Predictor（HAP）。通过将超图用于描述数据中的属性关系，其将属性预测问题转化为带有正则化的超图切割问题，可以应用于属性预测、零样本和 $N$-shot 学习任务中，并在 AWA、USAA 和 CUB 数据库上展现了比同类方法更具优越性的结果。

    Mar, 2015

  • 基于随机注意机制的可解释且具有泛化能力的图学习

    本文提出了一种基于信息瓶颈原理的图随机注意力方式，用于解释学习过程中选择任务相关亚图，并保证这些亚图中不包含与任务不相关的模式，并在 8 个数据集上进行了广泛的实验，结果表明该方法比现有方法在解释和预测准确度上都有更好的表现。

    Jan, 2022

  • 通过相互信息最大化聚合子图学习图表示

    本文提出了一种自监督学习方法，使用子图增强图级表示，设计了三种信息聚合器：attribute-conv，layer-conv 和 subgraph-conv 以从不同方面收集信息，并提出了头尾对比构建以提供丰富的负样本。在多个基准测试中，结果显示出了新的无监督状态下的最先进的结果，并在半监督学习任务上对其进行了公平比较。

    Mar, 2021