Mar, 2024

多关系图神经网络用于领域外链接预测

PDF
TL;DR在这项研究中，我们针对动态多关系图提出了一种新颖的 Graph Neural Network 模型，名为 GOOD，它通过新颖的多关系嵌入聚合设计解决了域外泛化问题，并在两个零售领域提出了五个基准测试，证明 GOOD 能有效地预测出已知关系类型之外的关系，并取得了最先进的结果。
dynamic multi-relational graphspredictive tasksout-of-domain link predictiongraph neural networkembedding aggregation
发现论文，激发创造
  • 跨领域多关系链接预测

    本研究提出了一种通过使用最佳传输和最大平均差异正则化器软对齐不同领域之间的实体分布来解决跨域链接预测问题的新方法，并在真实世界数据集上进行了实验，结果表明最佳传输正则化器是有益的，并显著提高了基线方法的性能。

    Jun, 2021

  • 学习外推知识：跨领域几何关系联合推理下的少样本图外关系预测

    该论文介绍了一种名为 Graph Extrapolation Networks（GEN）的新型转导式元学习框架，通过该框架，可以在实现小样本图数据链接预测中超越其他同类方法。

    Jun, 2020

  • 消息传递图神经网络在大型测试图中的 OOD 链接预测泛化能力

    本文提供首个理论研究证明图神经网络在图形大小大于训练图形的情况下，能够执行归纳式跨领域链接预测任务，我们提出了一种结构节点嵌入的方法，并证明了它的有效性和收敛性。

    May, 2022

  • 利用多任务视角进行具有新关系类型和节点的链接预测的 OOD 处理

    本文对双重可交换性概念进行了拓展，并提出了一种适用于多任务的归纳链接预测方法，在没有额外信息的情况下有效地推广到测试中的全新关系类型，相比现有方法取得了显著的性能改进。

    Jul, 2023

  • 基于强化邻域选择的多关系图神经网络

    该论文提出了一种新的 Graph Neural Network 体系架构（RioGNN），通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘，并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明，该方法比其他比较方法更有效，更高效，并具有更好的模型解释性。

    Apr, 2021

  • 领域通用深度图变换

    通过使用基于超网络的图神经网络和半监督链接预测，我们提出了一种多输入多输出的方法，用于预测不在训练数据中的图，并展示了该方法在预测和领域泛化任务上的卓越性能。

    May, 2023

  • OOD-GNN: 面向外分布的通用图神经网络

    本文提出了一种名为 OOD-GNN 的图神经网络，它通过使用利用随机傅里叶特征的非线性图表示装饰方法来消除图表示中相关和不相关部分之间的统计依赖关系，进而使其能够实现对训练图数据分布以外的新颖测试图数据的良好性能。经实验证明，该方法在两个合成和 12 个真实数据集上均远远优于现有的最优基准模型。

    Dec, 2021

  • 多图神经网络学习跨领域表示

    本文提出了一种名为 Deep Multi-Graph Embedding (DMGE) 的新颖模型，它使用图神经网络和多源数据学习，以适应大规模项目内嵌物的数据稀疏性问题和领域间信息迁移问题。实验结果表明，DMGE 比其他现有的嵌入方法在各种任务中表现更好。

    May, 2019

  • GOOD-D: 无监督图形外分布检测

    本研究旨在通过无监督学习的方式，利用图像对 OOD 图像进行检测，提出了一种基于对比学习的 GOOD-D 图像对比学习框架，并使用基于层级对比学习的方法捕捉潜在的 ID 模式，能够在不使用任何 ground truth 标签的情况下准确检测 OOD graphs，并建立了一个综合基准来比较我们的提出的方法和不同的最先进的方法，实验结果证明了我们方法的卓越性。

    Nov, 2022

  • 带有非分布节点的图学习

    用于图的预测任务的最先进模型为图神经网络 (GNNs)。本文主要研究在训练和推理期间出现了未在训练集中出现的节点的情况下，存在于图中的 out-of-distribution (OOD) 节点。我们提出了 Out-of-Distribution Graph Attention Network (OODGAT)，作为一种新颖的 GNN 模型，通过显式地模型化节点之间的交互，将异常值与正常值分离开来，从而优于现有的异常值检测方法并在内部分布分类方面更好或与之媲美。

    Aug, 2023