ICMLMay, 2024

超图增强的双半监督图分类

PDF
TL;DR本文研究半监督图分类，在有限标记图和丰富未标记图的场景下准确预测图的类别。通过提出一个名为 HEAL 的超图增强的 DuAL 框架，该框架分别从超图和线图的角度捕捉图的语义，以解决现有图神经网络对大量昂贵标记图的需求以及对节点之间高阶依赖关系建模能力不足的问题。在设计了适应性学习复杂节点依赖关系的超图结构学习的基础上，利用学习到的超图引入线图来捕捉超边之间的交互，从而更好地挖掘潜在的语义结构，并开发了关系一致性学习来促进两个分支之间的知识传递和更好的相互引导。对真实世界的图数据集进行的广泛实验验证了所提方法相对于现有最先进方法的有效性。
发现论文，激发创造
  • DualHGNN: 基于多视角学习和密度感知的半监督节点分类双重超图神经网络

    该研究提出了一种新的双超图神经网络 (DualHGNN) 模型，它同时整合了超图结构学习和超图表示学习，通过利用多视图超图学习网络探索多个视角下的最优超图结构，并利用密度感知超图注意网络来探索基于密度感知机制的高阶语义相关性。在各种基准数据集上进行了广泛实验，并证明了该方法的有效性。

    Jun, 2023

  • 半监督通用图分类

    本文提出一种新型的图神经网络框架 UGNN，用于半监督图分类，在有限标注数据和大量未标注数据的情况下，利用子图的视角来充分利用未标注数据，并且通过使用 Sinkhorn-Knopp 算法来学习已知和未知类别的语义原型，并在不同的子图视图下进行大量实验，证明了 UGNN 在不同设定下的有效性。

    May, 2023

  • 半监督图分类：分层图视角

    本研究提出了一个基于半监督学习的图学习方法，将节点分类问题扩展到了节点本身为图实例的层次图中，并设计了两种新的分类器，同时基于有监督的自我关注图嵌入方法将任意大小的图嵌入到固定长度的向量中，实验表明 SEAL-C/AI 方法不仅在准确率和 Macro-F1 方面优于竞争方法，而且生成的学习表示具有有意义的解释。

    Apr, 2019

  • 半监督分类的图推理学习

    本文提出一种用于半监督图节点分类的 “图推理学习”(GIL) 框架，通过学习节点标签的推理，提高分类性能，定义节点属性、节点路径和局部拓扑结构之间的结构关系，从而方便地从一个节点推导出另一个节点的推理，通过在训练节点到验证节点上进行结构关系的元优化，使学习到的图推理能力更好地适应测试节点。在四个基准数据集上进行了全面评估，结果表明，与半监督节点分类任务中最先进的方法相比，我们提出的 GIL 方法具有卓越的性能。

    Jan, 2020

  • 图形半监督学习用于关系网络

    本文针对关系网络中的半监督学习问题提出了两种可扩展的方法，可以更好地处理链接多样性和分类异质性等图结构异质性，相比于现有算法，我们的方法在不需要先验知识的情况下提供更好的分类性能。

    Dec, 2016

  • 半监督分层图分类

    本研究提出一种名为 SEAL-CI 的半监督节点分类算法，针对具有层次图结构的节点进行建模，使用分层图互信息作为一个约束条件，能够提高图分类的准确性和效率。

    Jun, 2022

  • TGNN: 一个用于图级分类的联合半监督框架

    研究了半监督图分类，提出了一种名为 Twin Graph Neural Network（TGNN）的新型半监督框架，旨在利用图拓扑导出的特征以及充分利用未标记数据，通过消息传递模块和图内核模块来探索来自互补视图的图结构信息，同时通过交换实例相似性知识来协作学习标记和未标记数据的结构信息，最终在各个公共数据集上取得了良好的性能。

    Apr, 2023

  • 基于图学习的双图卷积网络用于半监督节点分类与子图草图

    我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN，并将其应用于半监督节点分类任务，在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN，并设计了基于聚类图卷积神经网络的半监督节点分类算法，使 GCN 能够处理大规模图数据并提高其应用价值，在 PPI 数据集（超过 50,000 个节点）和 Reddit 数据集（超过 200,000 个节点）上也表现良好。

    Apr, 2024

  • 超图变换器用于半监督分类

    通过全球节点和超边之间的全球关联以及捕捉节点和超边之间的局部连接性，提出了一种新颖的超图学习框架，称为 HyperGraph Transformer（HyperGT），该框架利用基于 Transformer 的神经网络结构来有效地处理超图结构化数据，实现了全面的超图表示学习，并在超图节点分类任务中取得了出色的性能，超过了现有方法，建立了新的基准水平。

    Dec, 2023

  • 基于图的半监督学习的灵活生成性框架

    本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

    May, 2019