ICLRFeb, 2024

NetInfoF 框架：网络可用信息的测量与利用

PDF
TL;DR给定节点属性图和图任务（链接预测或节点分类），我们能否判断图神经网络（GNN）能否表现良好？我们提出 NetInfoF，一个包括 NetInfoF_Probe 和 NetInfoF_Act 的框架，用于测量和利用网络可用信息（NUI）。NetInfoF 具有广泛的适用性，基于理论保证和闭式解，通过对节点相似度的调整，可有效扩展到大规模输入。在合成数据集和真实世界数据集上的应用中，NetInfoF 在链接预测方面获得了显著优势。
node-attributed graphgraph neural networknetinfoflink predictionnode classification
发现论文，激发创造
  • 测量和优化图神经网络中图形信息的使用

    本文介绍了一种上下文环境下的图神经网络框架，提出了两个平滑度度量标准来衡量从图形数据中获得的信息的数量和质量，并设计了一种新的 GNN 模型 CS-GNN 来改善基于图形的信息的利用。结果表明，在不同类型的真实图中，CS-GNN 的性能优于现有模型。

    Jun, 2022

  • 关于网络科学和互信息的深度神经网络解释

    本文提出了一种新的方法来解释深度学习模型，并通过结合互信息和网络科学探究了信息在前馈网络中的流动。我们展示了高效近似互信息可以创造一个信息度量，用于量化深度学习模型中任意两个神经元之间流动的信息量，并提出了神经信息流（NIF）技术，用于编码信息流并提供特征归因。

    Jan, 2019

  • 具有图形原始信息的提升消息传递神经网络

    本文研究如何全面利用信息，从理论和实践上提高信息传递神经网络的表现力和可推广性，并提出一种新的名为 INGNN 的图神经网络模型，针对节点分类任务，与目前最先进的方法相比，实验证明其优越性（平均排名 1.78）。

    Oct, 2022

  • 针对图神经网络可解释性评估的鲁棒保真度提升

    通过引入一种信息理论的解释性定义，研究了图神经网络（GNN）的可解释性挑战，发现现有的忠实度量衡不符合这一定义，提出了一种稳健的忠实度量方法，通过广泛的实证分析验证了其与标准度量方法的一致性。

    Oct, 2023

  • GraphFramEx：面向图神经网络可解释性方法的系统评估

    本文提出了第一个系统性的图神经网络的可解释性评估框架，比较了该领域中最具代表性的技术，涉及节点分类任务和欺诈检测应用案例。

    Jun, 2022

  • 主动探索网络中的信息收集

    本文提出了一种从初始节点开始探索，一旦选择邻居节点，新节点变得可见和可选择的新模型，称为 NetExp，并给出了基于底层网络结构属性与理论边界的性能分析，此方法在各种模拟问题实例和社会问答系统中得到了评价。

    Apr, 2015

  • 推断图神经网络的属性

    GNNInfer 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。

    Jan, 2024

  • 利用弱信息学习强力图神经网络

    本文提出了基于 D2PT 框架的双通道图神经网络，旨在有效地解决弱信息下的图学习问题。对实验结果的分析表明，D2PT 通过实现远距离传播和全局信息传播等两个关键的设计，能够有效地解决由于图数据的多种信息缺失造成的互相干扰的图学习问题。

    May, 2023

  • 预训练与学习：为图神经网络保留全局信息

    该论文提出了一种名为 G-GNNs 的新型模型，通过无监督预训练获取节点的全局结构和属性特征，然后利用这些特征和原始网络属性，提出了一种 GNN 的并行框架以从这些特征中学习不同的方面。该模型的学习方法可应用于平面图和属性图，并通过 extensive experiments 在三个标准评估图上表现优异，特别地，在属性图学习方面，G-GNNs 在 Cora (84.31%) 和 Pubmed (80.95%) 上建立了新的基准记录。

    Oct, 2019

  • 使用优化框架解释和统一图神经网络

    本文旨在建立不同传播机制之间的联合优化框架，总结了几种最具代表性的图神经网络，并提供了新的设计灵活性。本文还提出了两个考虑可调节图内核的新型目标函数，分别表现出低通或高通滤波能力，并提供了所提模型的收敛性证明和表达能力比较。

    Jan, 2021