子群移位下的新颖节点类别检测

Apr, 2024

Novel Node Category Detection Under Subpopulation Shift

Hsing-Huan Chung, Shravan Chaudhari, Yoav Wald, Xing Han, Joydeep Ghosh

TL;DR通过结合受限制的回溯学习框架和高效的图链接预测机制，我们引入了一种新的方法，受限制的召回率优化与选择性链接预测 (RECO-SLIP)，以在具有次群体转变的带属性图中检测属于新类别的节点，并在多个图数据集上进行了全面的实证评估，证明了 RECO-SLIP 方法在性能上的优势。

Abstract

In real-world graph data, distribution shifts can manifest in various ways, such as the emergence of new categories and changes in the relative proportions of existing categories. It is often important to detect nodes of novel categories under such →

distribution shifts novel categories attributed graphs recall-constrained learning framework link prediction

发现论文，激发创造

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

基于置信度的模型选择：何时为子集群转移采取捷径

本文提出 COnfidence-baSed MOdel Selection（CosMoS）方法，基于模型置信度动态选择不同强度的模型来在多数和少数子群体上实现高性能，并使用多个数据集验证其性能。

Jun, 2023

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

NC-NCD: 节点分类的新颖类发现

通过采用原型回放和蒸馏的自训练框架，我们提出了一个更实用的节点分类的新类别发现（NC-NCD）场景并引入了 SWORD 方法，该方法在学习标记节点后能够聚类未标记的新类别节点，同时保持对旧类别的性能，无需依赖于旧类别节点，通过特征原型和知识蒸馏的联合使用，避免了对旧类别的遗忘。在四个常见基准测试中进行的大量实验证明了 SWORD 方法相对于其他最先进的方法的优越性。

Jul, 2024

基于概率矩阵视角的新类别发现

基于部分类别空间注释数据，对已知类别进行分类和聚类及发现新类别 (Novel Categories Discovery，NCD) 解决了开放世界问题。通过硬约束和软约束相结合的方法，我们成功地实现了基于语义的新类别数据聚类。

Jul, 2023

变化十分困难：分析亚群体转变

通过实验测试，我们对机器学习中的次群体转变机制和算法的泛化能力进行了深入分析，并提出了一种基于最差类准确率的简单选择标准，强调了最差组准确率和其他重要指标之间的基本权衡关系。

Feb, 2023

少样本节点分类的有监督图对比学习

本篇研究研究了在说名高成本的标注或标签问题下，如何使用监督图形对比学习，数据增强，子图编码和多尺度对比等机制，实现图形节点分类任务的有效编码器。实验表明，相比基于元学习的方法，这个新的框架可以显著提高少样本节点分类问题的性能。

Mar, 2022

基因型分群漂移的基线标准

本文提出一种方法，通过控制数据次群体的训练和测试集来实现对模型对子群体变化的鲁棒性进行评估和测试，并在 ImageNet 数据集上得到了验证。

Aug, 2020

图上分布偏移下链接预测方法的一般化能力研究

该论文通过引入针对链接预测的数据划分方式，研究了分布偏移对链接预测泛化性能的影响，并探索了提高链接预测泛化性能的方法。

Jun, 2024

动态社交网络中基于进化算法的链接预测

描述、解释网络动态变化的关键挑战之一是预测短期和长期变化，在考虑增强节点属性和网络拓扑特征的基础上，应用 CMA-ES 优化 16 个邻域和节点相似性指数的权重来预测未来的链接，从而为推特回复网络的演化提供一些计算机建模的线索。

Apr, 2013