图卷积学习:用于节点分类任务的学习欺骗
本文提出了一种新的传播机制,可以智能地根据同类和异类节点之间的同质性或异质性自动更改传播和聚合过程,并基于拓扑和属性信息学习同质性度量方法,以刻画不同类别节点之间的相似度,在七个现实世界数据集上实验表明该方法优于现有方法。
Dec, 2021
本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现,节点的相似度和 GCN 的性能有正相关关系,并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。
Jul, 2022
本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs,它可以在多个潜在空间适应性地执行卷积操作,并捕获节点之间的短 / 长距离依赖关系,从而处理异构性,并在六个异质性图数据集中实现节点分类任务的最佳性能。
Dec, 2021
本文提出了一种新的神经网络架构 LPGNet,用于处理带有隐私敏感边缘的图形。该网络通过巧妙地设计边缘结构的使用方式,在训练中提供差分隐私(DP)保证,并在多个数据集中进行了实证研究,表现出了较好的实用性和隐私安全性。
May, 2022
我们研究了图卷积网络在节点分类中对普遍存在的异质图的鲁棒性,并发现主要的脆弱性源于结构上的分布不一致问题。为了解决这个问题,我们提出了一种新的方法,通过自动学习异质图上的潜在同质结构来加固 GCNs。这个方法被称为 LHS,通过多节点交互的新颖自表达技术学习潜在结构,然后使用双视图对比学习方法来细化结构。在各种基准测试上的实验表明,该方法对于鲁棒的 GCNs 具有有效性。
Dec, 2023
我们提出了 GCNH,是一种简单但有效的 GNN 架构,适用于异构和同质图形,并使用一个学习的重要系数平衡中心节点和邻域的贡献,可以解决异构图上性能问题和过度平滑问题。
Apr, 2023
本文通过提出新的动态本地化图剪枝方法,在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性,由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。
Mar, 2020
本文提出了一种新的 GNN 模型:$^p$GNN,它实现了细胞特征和拓扑信息的同时分类,特别适用于异质图,其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。
Nov, 2021
本研究探索了图卷积网络的鲁棒性。我们提出了一种新的 “假节点攻击” 来攻击 GCN,通过添加恶意伪造节点相对于以往攻击更加现实。我们使用了贪婪算法来产生具有误导性质的恶意节点,并介绍了一种分类器来将恶意节点与真实节点区分开来,我们的攻击使得 GCN 的准确性下降到 0.03,针对一组 100 个节点的情况下,我们的有目标攻击成功率高达 78%,对于单个目标节点平均攻击成功率为 90%。
Oct, 2018