Feb, 2024

GSINA: 通过图Sinkhorn注意力提高图不变学习中的子图提取

HTML
PDF
TL;DR本文提出了一种基于图学习的新方法，利用优化传输理论和图Sinkhorn注意机制来提取具有控制稀疏性和柔和性的有意义、可区分的不变子图。该方法在多个数据粒度的图学习任务中表现出卓越的性能，优于现有的图学习方法。
发现论文，激发创造
  • 局部子图的图元学习

    该研究提出了一种新的基于元学习的算法G-Meta，能够通过学习子图信息和元梯度实现快速适应新任务，在少量节点或边的情况下进行知识迁移，且在比基准算法高达16.3%的数据集上得到了验证。

    Jun, 2020

  • 用于子图分类的随机子图邻域池化

    本篇论文提出了一种不需要标记技巧，同时能够在维护泛化能力的同时提高可扩展性的用于子图分类的机器学习模型Stochastic Subgraph Neighborhood Pooling(SSNP)，通过结合子图和其邻域的信息，以及简单的数据增强预处理步骤来多视角观察邻域的信息，并在大规模图像数据集上的实验证明其在性能和速度方面的优越性。

    Apr, 2023

  • OpenGSL：图结构学习的全面基准

    这篇论文介绍了OpenGSL，这是第一个全面的Graph Structure Learning基准，旨在通过评估出现在各种流行数据集，以及使用统一数据处理和分割策略的最新GSL方法之间的公平比较，缩小研究进展存在的差距。

    Jun, 2023

  • 通过环境增强实现的不变图学习能够学到不变性吗？

    通过环境增强不可能学习到图中的不变表示，所以提出了一种基于可行假设的不变图学习框架GALA，利用助手模型来识别不变子图从而成功实现OOD泛化。

    Oct, 2023

  • 使用亚图混合在图不变量学习中实现超越样本分布的泛化

    本文提出了一种基于不变和变体模式共混策略的新型图不变性学习方法，能够联合生成混合的多个环境并从混合图数据中捕捉不变模式，通过扩展性实验证明该方法在各种分布转移中显著优于现有方法。

    Dec, 2023

  • 通过必要与充分性的概率统一图形溯源及离群分析

    提出了一种统一框架，利用必要性和充分性概率来提取不变的子图结构(PNSIS)，并采用集成方法利用虚假子图增强噪声数据的泛化性能，在图OOD问题上胜过现有技术，显示了在实际场景中的有效性。

    Feb, 2024

  • 通过图乘积和图粗化实现灵活的对称子图GNN框架

    基于子图的图神经网络（Subgraph GNNs）通过将图表示为子图集合来增强信息传递式图神经网络的表达能力，并引入了新的子图GNN框架以解决性能限制和子图选择问题。通过控制粗化函数，实现了对任意数量子图的有意义选择，并将其与标准训练技术兼容。实验证明，该方法比基线方法更加灵活，在处理任意数量子图时表现出更好的性能。

    Jun, 2024

  • 不变图学习与信息瓶颈的结合用于分布外泛化

    本文针对图学习中分布外（OOD）泛化的主要挑战，提出了一种基于信息瓶颈理论的不变图学习框架（InfoIGL），旨在提取图的稳定特征并提高模型对未见分布的泛化能力。通过引入冗余过滤器和多层次对比学习，InfoIGL在不依赖不变性监督信号的情况下，显著提升了图分类任务的OOG泛化性能，实验结果显示该方法在合成和真实世界数据集上实现了最先进的性能。

    Aug, 2024

  • DIVE：子图分歧用于图形分布外泛化

    本研究解决了图形机器学习中的分布外（OOD）泛化问题，该领域面临源数据与目标数据分布之间的差异。本文提出DIVE方法，通过训练多个模型关注所有标签预测子图，并使用正则化器惩罚模型间提取子图的重叠，显著改善了现有方法，从而增强了图形机器学习的泛化能力。

    Aug, 2024

  • GSTAM：高效的图蒸馏与结构注意力匹配

    本研究针对现有图蒸馏方法在节点分类中的局限性及计算负担，提出了一种新的图蒸馏方法GSTAM。通过利用图神经网络的注意力图，GSTAM有效提取并浓缩了原始图数据集的结构信息，实验结果表明其在极端浓缩比下的性能提升达0.45%至6.5%。

    Aug, 2024