Jun, 2024

基于拓扑感知的图分布偏移动态重新加权

HTML
PDF
TL;DR采用拓扑感知动态重新加权（TAR）框架，通过在几何Wasserstein空间中的梯度流动态调整样本权重，以提供分布鲁棒性，从而增强图数据的域外泛化性能。
发现论文，激发创造
  • 节点分类任务中图神经网络公平比较的流程

    本研究设计了一套标准、可重复的基准测试设置，并使用多个小型和中型数据集以及7个不同模型对其进行评估，结果表明模型层数的增加并不总是能提高性能，结合节点2vec和拉普拉斯特征向量的数据增强技术可以有效提高分类任务表现。

    Dec, 2020

  • 基于不均衡拓扑的半监督节点分类学习

    本论文主要探讨了在学习节点表示过程中，类不平衡问题是如何影响图像的，同时提出了一种识别和解决图拓扑不平衡问题的新方法，并在系统实验中证明了该方法在缓解拓扑不平衡问题和促进半监督节点分类中的有效性和通用性，同时揭示了不同 GNN 架构对拓扑不平衡的敏感性。

    Oct, 2021

  • 处理图上的分布偏移: 一个不变性的视角

    本文提出了一种基于不变性学习和风险最小化的方法，实现图神经网络对于图结构数据上的越域通用性问题进行预测和预测不确定性的估计。

    Feb, 2022

  • TAM：面向类别不平衡节点分类的拓扑感知间隔损失

    该研究针对存在标签不平衡的图数据，提出了一种新型节点表示学习方法，通过结合局部拓扑信息设计目标函数，实现了对于节点的快速、精准分类。

    Jun, 2022

  • 通过缓解低伸展和过度压缩来缓解图拓扑不平衡的位置感知结构学习

    本文提出了一种新的全局视角的监督信息分布量度---欠拟合和过拟合，并以此为基础提出了PASTEL框架。此框架通过加强同一类别节点间的连接以增加监督信息，解决了局部拓扑位置不平衡的问题，能够在不同的数据标注场景下提升GNNs的性能。

    Aug, 2022

  • 类别不平衡节点分类的拓扑增强

    该研究针对真实世界的节点分类任务中普遍存在的类别不平衡问题，从节点中心和拓扑结构的角度出发，通过拓扑增强方法解决了类别不平衡的问题，并在促进不平衡节点分类和缓解不同类别之间的预测偏差方面验证了其卓越性能。

    Aug, 2023

  • 环境感知的动态图学习用于非分布式泛化

    环境感知的动态图学习（EAGLE）框架通过建模复杂的耦合环境和利用时空不变模式，解决了动态图在分布转移下的超出分布预测的问题。

    Nov, 2023

  • 学习重新加权用于图神经网络

    本研究探讨了图神经网络在分布发生偏移的情况下的泛化能力问题，并提出了学习重加权以增强泛化能力的新方法L2R-GNN，通过对图表示变量进行聚类和学习权重以去除不同类别之间的相关性，有效改善了图神经网络的泛化能力，并在各种图预测基准测试中取得了优异的性能。

    Dec, 2023

  • 图形在分布偏移下的泛化

    通过引入图学习不变领域生成（GLIDER）的新框架，本文在节点级别的属性分布和拓扑结构分布的共同分布转变的情境下，实现了优于基准方法的节点级别OOD广义化跨域模型。

    Mar, 2024

  • IENE：图中节点环境的识别和推断对于图外分布泛化的影响

    本文提出了一种基于节点级环境识别和外推技术的图形上的节点层次环境识别和提取不变性方法IENE，其能够同时从两个层次提取不变性，从而提高了广义化性能。经过广泛的实验验证，IENE在两个合成和四个真实世界的OOD数据集上验证了其优越性，它优于现有技术，并为增强GNN泛化提供了灵活的框架。

    Jun, 2024