Feb, 2024

使用图神经网络进行随机几何图对齐

PDF
TL;DR通过研究在存在顶点特征信息时，图神经网络在图对齐问题中的表现，我们证明在特征向量的稀疏性和噪声水平满足一定条件的情况下，经过精心设计的一层图神经网络能够高概率地恢复出两个图的顶点之间正确的对应关系，并且我们还证明了对于噪声水平的条件是近似最优的。最后，我们将图神经网络与直接解决带有噪声顶点特征的分配问题进行了性能比较，结果表明，当噪声水平至少是一个常数时，直接匹配无法完美恢复，而图神经网络可以容忍噪声水平增长至图的大小的某个幂次。
graph neural networksgraph alignmentvertex featuresrecoverynoisy sparse features
发现论文，激发创造
  • 带有特征和邻接矩阵对齐的强健图结构学习

    本研究提出了一种用于学习图结构的新型正则化方法，该方法采用节点级别雷德马赫复杂度的下界来对齐特征信息和图信息，同时结合稀疏降维使用低维节点特征，实现了对受噪声干扰的图结构的精确处理，并在真实世界数据集上进行了广泛实验。

    Jul, 2023

  • 随机特征增强图神经网络

    本文研究了图神经网络的表达能力，发现其存在局限性。作者提出为每个节点添加随机特征，这样 GNN 就能够学习一些最优多项式时间近似算法，同时该方法方便与其他 GNN 模型结合使用。经实验证明，加入随机特征的 GNN 能够解决一些无法被传统的 GNN 模型解决的问题。

    Feb, 2020

  • 使用随机特征的可扩展全局对齐图内核：从节点嵌入到图嵌入

    本文提出了一种新的全局对齐图核算法，该算法利用几何节点嵌入和基于 Earth Mover's distance 的关联节点传输，得到的图嵌入称为 “随机图嵌入（RGE）”，可以通过定义在随机图上的分布自然地产生随机特征近似，实验结果表明 RGE 超越或匹配了十二个最先进的图分类算法。

    Nov, 2019

  • GraphAlign：通过特征对齐在多个图上预训练一个图神经网络

    通过对具有丰富节点特征的各类图进行预训练，并将预训练好的图神经网络应用于未见过的图，GraphAlign 方法有效地解决了图自监督学习中不同领域图之间特征差异的挑战，通过特征编码、规范化和特征专家模块的混合对齐策略实现了特征分布的统一，从而提升了在同领域和跨领域图上的性能优势。

    Jun, 2024

  • 集成二次分配网络用于图匹配

    通过图神经网络结合数据驱动和传统方法，该研究提出了一种解决图匹配问题的模型，该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用，并在几个任务上得到了显著的性能提升。

    Mar, 2024

  • 学习带有噪声标签的图神经网络

    本文研究了 GNNs 在对称标签噪声下的鲁棒性，将非线性神经信息传递模型（例如图同构网络，GraphSAGE 等）与损失校正方法相结合，提出了一种容忍噪声的方法来解决图分类任务，在人工对称嘈杂环境中可以提高测试准确性。

    May, 2019

  • ALEX：面向带有噪声标签的有效图传递学习

    ALEX 是一种用于图传递学习的新颖技术，通过结构语义的多视角生成和平衡标签分布的子图构建，引入了对抗域辨别器和节点表示的投射，用于处理存在标签噪声的图学习场景。

    Sep, 2023

  • 具有可转移图自编码器的网络对齐

    网络对齐是在不同图形之间建立一对一对应关系的任务，我们提出了一种新颖的广义图自编码器架构，旨在提取强大且鲁棒的节点嵌入，以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。我们的框架还利用迁移学习和数据增强，在无需重新训练的情况下实现了非常大规模的网络对齐。对真实世界图形的广泛实验提供了证据，支持所提方法的有效性和可扩展性。

    Oct, 2023

  • GANN: 用于半监督学习的图形对齐神经网络

    本文提出了一种简单而有效的 GNN 体系结构，名为 GANN，采用三个新型的图信息对齐规则，以解决标记数据有限导致 over-smoothing 的问题，并在半监督图节点分类任务中拥有优于竞争对手的表现。

    Mar, 2023

  • 基于几何散射的图数据分析

    本篇论文探讨了散射变换从传统（如图像或音频）信号到图数据的归纳推广，类似于 geometric deep learning 中 ConvNets 的归纳推广，并研究了提取的图特征在图数据分析中的实用性，尤其关注这些特征保留数据中的信息变量和关联的能力，同时将我们的构建与之前的一些理论结果联系起来，这些结果建立在类似变换到图变形的家族上的稳定性上。 我们证明了在社交网络数据的图分类和生物化学数据的数据探索中应用了我们的几何散射特征。

    Oct, 2018