异质性下的鲁棒图结构学习
本文提出了一种新的图聚类方法,包括三个关键组成部分:图重构、混合滤波器和双图聚类网络。实验结果表明,在 11 个基准图上,该方法在异质图上的表现优于其他方法。
May, 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
提出了一种基于同质性增强的结构学习方法(HoLe),通过两个聚类导向的结构学习模块对图结构进行了优化,并通过交替训练同质性增强的结构学习和基于 GNN 的聚类来实现它们的相互作用,在多个基准数据集上证明了其优越性。
Aug, 2023
对于图聚类问题,现有的图神经网络方法很难取得进展,同时大多数聚类方法只关注同质图而忽视异质图,限制了它们在实践中的适用性。本文提供了一种具有理论支持的新颖解决方案,通过邻居信息对同质性和异质性边进行识别,并构建高同质性和高异质性的图,用于构建低通滤波器和高通滤波器以捕获综合信息,并通过压缩 - 激励块增强重要特征,实验证明本方法在同质图和异质图上优于现有聚类方法。
Mar, 2024
在本研究中,我们以往对同质性和异质性之间的二分法的认识启发了我们对深度图网络的归纳偏差的研究。然而,最近的研究指出,这种二分法过于简单,因为我们可以构建节点分类任务,其中图形完全异质,但性能仍然很高。我们的工作通过形式化两个生成过程来研究当这种强假设不成立时会发生什么,这两个生成过程可以用于构建和研究即席问题。通过一个我们称之为特征信息量的度量来定量衡量节点特征对目标标签的影响,我们构建了六个合成任务并评估了六个模型(包括对结构不可知的模型)的性能。我们的发现揭示了在放松上述假设时先前定义的度量不适用的事实。我们对研讨会的贡献旨在呈现可能有助于推进我们对该领域的理解的新的研究成果。
Aug, 2023
研究图神经网络中的异质性标签与 GNN 对抗性攻击鲁棒性之间的关系,并且证实采用相应设计原则可以提高 GNN 的鲁棒性,实验证明采用这种设计可以比未接种疫苗的模型实现更好的鲁棒性,并且采用防御机制可以使其鲁棒性更强,性能提高达 18.33%。
Jun, 2021
我们研究了图卷积网络在节点分类中对普遍存在的异质图的鲁棒性,并发现主要的脆弱性源于结构上的分布不一致问题。为了解决这个问题,我们提出了一种新的方法,通过自动学习异质图上的潜在同质结构来加固 GCNs。这个方法被称为 LHS,通过多节点交互的新颖自表达技术学习潜在结构,然后使用双视图对比学习方法来细化结构。在各种基准测试上的实验表明,该方法对于鲁棒的 GCNs 具有有效性。
Dec, 2023
提出了一种新的无监督概率图表征学习方法 GREET,通过边鉴别器 (tedge discrimination) 学习鉴别同态和异态的边,采用对偶编码 (dual-channel encodings) 对同态和异态边进行对比,进一步强化边鉴别和表征学习之间的相互协作,提高了在异态图上的泛化能力和鲁棒性。
Nov, 2022