Apr, 2024

无需训练的图神经网络与标签作为特征的能力

PDF
TL;DR我们提出了无需训练且可选择性训练的图神经网络（TFGNNs），用于跨样本节点分类。我们首先倡导标签作为特征（LaF）的技术，证明了 LaF 能够显著增强图神经网络的表达能力。我们基于这一分析设计了 TFGNNs，并在实验中证实了 TFGNNs 在无需训练的情况下优于现有的 GNNs，并且收敛所需的训练迭代次数少于传统的 GNNs。
发现论文，激发创造
  • 图神经网络中节点特征

    本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

    Nov, 2019

  • 无需对文本属性图进行训练的图神经网络

    采用线性图神经网络（TrainlessGNN）模型构建代表每个类别节点属性子空间的权重矩阵，为 TAG 上的半监督节点分类提供了一种高效的方法，消除了迭代优化过程。广泛的实验证实了我们的无训练模型可以匹配甚至超越传统训练模型，展示了在特定配置中避免梯度下降的可能性。

    Apr, 2024

  • 节点分类的全局 - 局部图神经网络

    提出了一种名为 Global-Local-GNN (GLGNN) 的方法，通过利用全局和局部信息以及节点标签和特征的学习，提高了节点分类 GNNs 的性能，并显示了全局信息利用对节点分类的重要性。

    Jun, 2024

  • 终身图学习

    该论文将图神经网络和终身学习相结合，通过引入特征图拓扑结构并将节点转换为独立的图来将节点分类问题转化为图分类问题，实现了对经典图数据集的连续学习，并在人体动作识别和特征匹配等领域达到了卓越的性能。

    Sep, 2020

  • 图神经网络前向传播的进展

    本文介绍了图正向正向（GFF）算法，它是一种扩展的前向前向算法，适用于处理分布在图节点上的特征，可以使用正向传递来训练图神经网络，而无需反向传输；其通过贪婪、逐层的方式将图神经网络层层训练，并使用正负样本，显示出比反向传播更加高效的计算优势。

    Feb, 2023

  • 图神经网络节点分类的简化方法

    本研究提出了一种特征选择 Graph Neural Network（FSGNN）模型，通过解耦节点特征聚合步骤和深度，使用 softmax 作为聚合的特征的正则化器和 L2 规范化技术，实现了对不同聚合的特征的作用进行实证分析，最终在 9 个基准数据集上创建了一种简单而浅的模型，取得了比现有 GNN 模型更好的性能。

    Nov, 2021

  • 统一标签输入图神经网络和深度平衡模型

    本文介绍了一种名为 Implicit GNN 的理论框架，能够通过只迭代网络一次但起始状态随机遮蔽的方式来优化无限传播的长距离标签，并将这种改进扩展到了复杂网络和大规模图上，实验结果证明其性能优于其他方法。

    Nov, 2022

  • 学习具有正节点和未标记节点的图神经网络

    本文提出了一种基于长短距离注意力模型的图神经网络框架，用于解决标注有限以及捕捉图中长距离关系的问题，并应用于 PU 学习与节点分类任务中，实验结果证明了算法的有效性。

    Mar, 2021

  • 图神经网络应该使用特征、边或两者皆有？

    本文研究了图形分类问题中图神经网络是否必要，发现对于图分类来说，GNN 不仅仅是其部分之和。同时，我们还发现，与特征不同，仅使用边进行预测的模型并不总是能够转换为 GNN。

    Mar, 2021

  • 基于大型语言模型的无标签图节点分类 (LLMS)

    该文介绍了一种利用大型语言模型和图神经网络相结合的无标签节点分类方法 LLM-GNN，在小部分节点上利用语言模型进行注释，然后使用图神经网络对其余大部分节点进行预测，通过开发注释质量启发式和利用语言模型的置信度得分来选择节点，从而提高图神经网络的性能，实验证明了 LLM-GNN 的有效性。

    Oct, 2023