AGS-GNN:面向图神经网络的属性引导抽样
提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络(GNN)模型,将聚合方案适应性地学习到每个图的谱域,从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。
Mar, 2021
本文通过重新评估广泛使用的同质性度量,并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法,并证明了 local diversification operation 可以有效解决一些有害的异质性情况,然后提出了 Adaptive Channel Mixing(ACM)框架来自适应地利用聚合,多样性和标识通道,从而从多样化的节点异质性情况中提取更丰富的局部信息。经过 10 项基准节点分类任务的评估,ACM-augmented 基线始终实现了显着的性能提升,超过大多数任务上的最新 GNN,而不会带来显着的计算负担。
Oct, 2022
在异质性的情况下,图神经网络(GNNs)往往表现出次优的性能。本文提出并证明了异质性中宝贵的语义信息可以通过研究每个节点在图中的邻居分布来有效地利用于图学习,进而构建了一种新的图结构 HiGNN,该结构通过利用节点分布来增强具有相似语义特征的节点之间的连接性。通过在节点分类任务上的实证评估和与其他方法比较,我们验证了 HiGNN 在改进图表示方面的有效性,并证明通过整合异质性信息可以显著提升现有基于 GNN 的方法,以及在真实世界数据集中的同质性程度,从而证明了我们方法的功效。
Mar, 2024
本研究设计了一种新颖的图神经网络,通过自注意机制,优先适应不同的图的不同节点特征和拓扑结构,且考虑到正负权重和节点对称性,在处理同构和异构图分类任务上,相较于传统的图神经网络实现了最领先的性能。
May, 2023
本文提出了一种基于 Bi-kernel 特征转换和选择门的 GNN 模型,其中使用两个核对同一阶段的节点进行建模,以更好地捕捉同质性和异质性信息。在各种数据集上的实验结果表明,该模型在同质性和异质性特性方面均显著优于现有 GNN 方法。
Oct, 2021
本文提出了一种新的图聚类方法,包括三个关键组成部分:图重构、混合滤波器和双图聚类网络。实验结果表明,在 11 个基准图上,该方法在异质图上的表现优于其他方法。
May, 2023
本文探讨了 GNNs 的异质问题并研究了跨类别邻居的特征聚合,提出了 CAGNNs 框架以提高节点分类任务的性能。实验结果表明,我们的框架能够分别提高 GIN,GAT 和 GCN 的平均预测准确率 9.81%,25.81%和 20.61%。
Mar, 2022
在这篇论文中,我们探索了异质图中图神经网络的脆弱性,并在理论上证明了负分类损失的更新与基于聚合邻居特征的成对相似性呈负相关。为了解决这个问题,我们提出了一种名为 NSPGNN 的新型鲁棒模型,它在监督邻居相似性引导传播的过程中采用了双 k 最近邻图管道。通过广泛的实验证明,与现有方法相比,NSPGNN 在同质图和异质图上都具有普遍的鲁棒性。
Jan, 2024
本研究提出了 GraphSANN 模型,用于实现在同构和异构图中的不平衡节点分类。该模型包含统一的特征混合器、自适应的子图提取器和多过滤器子图编码器三个部分,并在八个数据集上进行了广泛实验,结果表明该模型在同构和异构图的不平衡节点分类上具有优越性。
Apr, 2023