Mar, 2024

动态图谱下的分布迁移光谱不变性学习

PDF
TL;DR该论文通过研究动态图谱的频谱域中的分布变化，提出了用于处理动态图中分布变化的频谱不变性学习方法，该方法通过捕捉和利用不变和变化的频谱模式，在节点分类和链接预测任务中展示了在分布变化下优越的性能。
dynamic graph neural networksdistribution shiftsspectral domainspectral invariant learningdynamic graph datasets
发现论文，激发创造
  • 具有解缠干预和不变性促进的超越分布的广义动态图神经网络

    本文提出了基于解缠干预的动态图注意力网络的方法来处理动态图中的时空分布变化，并发现和利用稳定的具有预测能力的不变模式。实验证明我们的方法在分布变化下优于现有基线模型。

    Nov, 2023

  • 图形在分布偏移下的泛化

    通过引入图学习不变领域生成（GLIDER）的新框架，本文在节点级别的属性分布和拓扑结构分布的共同分布转变的情境下，实现了优于基准方法的节点级别 OOD 广义化跨域模型。

    Mar, 2024

  • 图学习在分布偏移下的研究：领域自适应、离域和连续学习的综合调查

    综述研究了图学习中的分布转变问题及解决方法，将现有的图学习方法分为图领域适应学习、图越域学习和图持续学习三种关键场景，详细讨论了这些场景下的现有进展，并对该领域进行了潜在应用和未来研究方向的分析。

    Feb, 2024

  • 解释和适应图形条件平移

    本文研究了图神经网络易受分布变化影响的原因，提出了一种基于条件转移的无监督领域自适应方法，并在合成及实际数据实验中表现出鲁棒性。

    Jun, 2023

  • 处理图上的分布偏移：一个不变性的视角

    本文提出了一种基于不变性学习和风险最小化的方法，实现图神经网络对于图结构数据上的越域通用性问题进行预测和预测不确定性的估计。

    Feb, 2022

  • 学习因果不变表示以实现图上的跨分布泛化

    该研究提出了一种新的框架，Causality Inspired Invariant Graph LeArning (CIGA)，通过使用因果模型来确定图表上的潜在分布偏移，从而捕获图表的不变性，以在各种分布偏移下保证 OOD 泛化性能。

    Feb, 2022

  • 从频谱模板推断网络拓扑

    本文提出了一种利用凸优化和图信号静态特性来从难以观测的图信号中恢复网络结构的图移位算法，数值实验验证了该方法在社交、大脑和氨基酸网络中的有效性。

    Aug, 2016

  • 空间自适应滤波下的频谱图神经网络再思考

    光谱图神经网络在空间域具有可解释性，通过建立光谱滤波和空间聚合的理论联系，揭示了光谱滤波将原始图形隐式导向适应的新图形，以进行空间聚合和反映节点之间的标签一致性，进而提出了一种新颖的空间自适应滤波 (SAF) 框架，通过光谱滤波和辅助的非局部聚合综合建模节点的相似性和差异性，在全局角度缓解了图神经网络与长距离依赖和图形异质性相关的不足，并在 13 个节点分类基准上进行了广泛实验，证明了该框架相较于现有模型的优越性。

    Jan, 2024

  • 非线性谱滤波下的图上等变机器学习

    图谱域的非线性光谱滤波器 (NLSFs) 通过在图形的信号空间中操作来保证图功能性的转移，具有普适逼近性质，并且在节点和图分类基准测试中表现出优越性能。

    Jun, 2024

  • 动态图上可学习的谱小波，捕捉全局交互

    本文提出将可学习的小波图形捕捉到动态图谱中，以提高动态图学习性能。考虑到动态图谱的演化历史，本文的方法能够在全局上更有效地捕获地理图谱，并成功应用于八个标准数据集，显著提升了地理图的动态性学习性能。

    Nov, 2022