本文提出了一种基于随机建模的新方法,称为 GNN-Ensemble,用于构建多个随机决策图神经网络的集成,从而提高图神经网络的性能,泛化能力和对抗性鲁棒性。该方法在不同的子结构和子特征空间中构建 GNN,在决策时进行组合,从而提高了它们的分类性能,并有效降低了对训练数据的过拟合。同时,我们证明 GNN-Ensemble 可以显著提高对抗性攻击的鲁棒性。
Mar, 2023
本文提出了两个关键性贡献:首先是演示了图神经网络如何训练并嵌入向量空间,以便有效地进行相似性推理;其次是提出了一种新的图匹配网络模型,通过新的跨图注意力匹配机制,在一对图之间共同推理,计算它们之间的相似度得分。在不同领域的实验分析表明,本文提出的模型不仅能够在相似性学习的上下文中利用结构,而且能够优于针对此类问题精心设计的基线系统。
Apr, 2019
本研究探讨了集成学习技术在改善图神经网络(GNNs)性能和鲁棒性方面的应用。我们通过使用多种不同的初始化或结构来训练多个 GNN 模型,创建了一个名为 ELGNN 的集成模型,该模型捕捉了数据的各个方面,并使用树状结构 Parzen 估计算法确定集成权重。结合这些模型的预测结果可以提高整体准确性,减少偏差和方差,并减轻噪声数据的影响。我们的研究结果证明了集成学习在提升 GNN 对分析复杂图结构数据的能力方面的有效性。
Oct, 2023
提出了一种新的 “图学习 - 匹配” 网络(GLMNet)方法,它将图学习集成到图匹配中,采用 Laplacian sharpening 卷积模块提取节点嵌入特征,并通过设计新的约束正则化损失来优化图匹配,实验结果表明该方法有效,具有一些主要模块的优势。
Nov, 2019
在图神经网络中,提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式,进而设计了一种改进的计算图结构,并在此基础上提出一种自适应选择结构与接近度信息的模型,以取得更好的性能,其中针对半监督节点分类任务进行的实验也取得了良好的结果。
Jun, 2021
使用自适应聚类模块将关键点分成不同的子图,从而实现降低冗余的连通性,减少运行时间和内存使用,同时在各种计算机视觉任务上具有竞争性的性能。
Apr, 2022
本文提出了一种简单而有效的 GNN 体系结构,名为 GANN,采用三个新型的图信息对齐规则,以解决标记数据有限导致 over-smoothing 的问题,并在半监督图节点分类任务中拥有优于竞争对手的表现。
本文研究的是图匹配问题,提出了一种基于学习的方法,用于解决基于图的模式识别问题。通过训练示例和标签,我们可以学习节点与边之间的兼容性,在解决问题时可以取得更好的效果。实验结果表明,该方法比现有算法更为有效。
Jun, 2008
该研究旨在研究半监督条件下图神经网络(GNNs)的集成学习。通过将多个薄弱学习器的输出组合起来,集成学习已经在传统机器学习中提高准确性和鲁棒性方面显示出优越性。然而,在集成不同的 GNN 模型时,由于 GNN 的推理能力较差,这个想法很具有挑战性。为了解决这个问题,在本文中,我们提出了一种高效的集成学习算法 E2GNN,以可学习的方式组合多个 GNNs,同时利用标记和未标记节点。通过开展全面的实验证明了 E2GNN 的优越性。
May, 2024
该研究设计了端到端的可微分深度网络,以学习图匹配的亲和力,并采用排列损失和图嵌入作为优化目标函数,具有在现实世界应用中广泛的适用性和超越现有状态的性能。