简化的 PCNet 与鲁棒性
提出了一种两重过滤机制来提取异态图里的同质性和同态图里的不同质性,其中使用了扩展图热方程来进行异态聚合,并介绍了一个强大的 PCNet 图卷积方法,通过该方法在节点分类任务上展现出了有竞争力的性能。
Dec, 2023
在这篇论文中,我们探索了异质图中图神经网络的脆弱性,并在理论上证明了负分类损失的更新与基于聚合邻居特征的成对相似性呈负相关。为了解决这个问题,我们提出了一种名为 NSPGNN 的新型鲁棒模型,它在监督邻居相似性引导传播的过程中采用了双 k 最近邻图管道。通过广泛的实验证明,与现有方法相比,NSPGNN 在同质图和异质图上都具有普遍的鲁棒性。
Jan, 2024
该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合,设计出一种草图神经网络(H2GCN),并通过实验表明其在半监督节点分类任务下,具有比传统模型更高的预测准确率,尤其对于异质性网络(即一对连接的节点可能具有不同的类别标签和不同的特征)表现更出色。
Jun, 2020
本研究提出了 CPGNN 框架,它使用可解释的兼容性矩阵来建模图中异相性(heterophily)或同相性(homophily)水平,并证明了该框架在更现实和具有挑战性的实验设置下比以前的作品要有效。
Sep, 2020
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
利用元路径识别异质图中的异质性并提出了两个度量方法来定量描述异质性水平,在多个具有不同异质性水平的真实异质图上进行了深入研究,观察到继承自处理同质图的图神经网络对异质图的异质性或同质性较低的泛化能力有限。为解决这一挑战,提出了一种新的异质图神经网络 Hetero$^2$Net,通过蒙版元路径预测和蒙版标签预测任务,有效且灵活地处理同质性和异质性异质图,在五个具有不同异质性水平的真实异质图基准上评估了 Hetero$^2$Net 的性能,结果表明 Hetero$^2$Net 在半监督节点分类任务中优于强基线模型,为有效处理更复杂的异质图提供了有价值的见解。
Oct, 2023
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
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
通过多种设计,将 GPNet 与 dilated convolution, multi-channel learning, self-attention score 和 sign factor 进行结合,以减轻 Graph Neural Networks 模型中存在的多种限制以及提高 semi-supervised 和 inductive learning task 的性能。
Sep, 2022