利用图神经网络进行节点消歧的分类
本文提出了一种名为邻域混淆(NC)的度量,用于可靠地分离异构节点,基于此指导图卷积网络(GNN)的设计,实现节点组的内部权重共享和信息传递,从而实现了在同质和异质基准测试上有效地分离和提高节点性能的目标。
Jun, 2023
本文提出了一种名为 Consistent Graph Neural Network(CGNN)的新方法,它在图的标签噪声下仍然能够对节点进行分类,并通过基于同质性假设的样本选择技术来检测和纠正噪声标签。实验证明,与现有技术相比,CGNN 在三个基准数据集上具有更好的表现。
Jun, 2023
在异质性的情况下,图神经网络(GNNs)往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习,进而构建了一种新的图结构 HiGNN,该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较,我们验证了 HiGNN 在改进图表示方面的有效性,并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法,以及在真实世界数据集中的同质性程度,从而证明了我们方法的功效。
Mar, 2024
提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络(GNN)模型,将聚合方案适应性地学习到每个图的谱域,从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。
Mar, 2021
最近,图神经网络(GNNs)通过利用图数据库中的知识,在半监督节点分类中展示了显著的性能。然而,大多数现有的 GNN 都遵循同质性假设,即连接的节点更有可能展示相似的特征分布和相同的标签,而这种假设在越来越多的实际应用中被证明是脆弱的。作为补充,异质性反映了连接节点之间的不相似性,在图学习中引起了重要关注。为此,数据工程师旨在开发一个能够确保在同质性和异质性下性能的强大 GNN 模型。尽管已经做出了许多尝试,但大多数现有的 GNN 由于无向图的限制而难以实现最佳节点表示。忽视有向边导致次优的图表示,从而限制了 GNN 的能力。为解决这一问题,我们引入了 AMUD,它从统计的角度量化节点配置和拓扑之间的关系,为自适应地将自然有向图建模为无向图或有向图以最大化后续图学习中的效益提供了宝贵的见解。此外,我们提出了 ADPA 作为 AMUD 的新的有向图学习范式。实证研究表明 AMUD 指导了高效的图学习。与此同时,在 14 个基准数据集上的大量实验证实了 ADPA 的出色性能,优于基准线 3.96%。
Dec, 2023
本文通过重新评估广泛使用的同质性度量,并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法,并证明了 local diversification operation 可以有效解决一些有害的异质性情况,然后提出了 Adaptive Channel Mixing(ACM)框架来自适应地利用聚合,多样性和标识通道,从而从多样化的节点异质性情况中提取更丰富的局部信息。经过 10 项基准节点分类任务的评估,ACM-augmented 基线始终实现了显着的性能提升,超过大多数任务上的最新 GNN,而不会带来显着的计算负担。
Oct, 2022
本研究提出并验证了一种基于图神经网络的主动学习方法,应用于节点分类任务,其中通过节点特征传播和 K-Medoids 聚类完成样本的选取,并在四个基准数据集上实验进行验证,结果表明该方法优于其他基准方法。
Oct, 2019
本文提出了一种新的传播机制,可以智能地根据同类和异类节点之间的同质性或异质性自动更改传播和聚合过程,并基于拓扑和属性信息学习同质性度量方法,以刻画不同类别节点之间的相似度,在七个现实世界数据集上实验表明该方法优于现有方法。
Dec, 2021