高度网络表示学习的高效拓扑感知数据增强

KDDJun, 2024

高度网络表示学习的高效拓扑感知数据增强

Efficient Topology-aware Data Augmentation for High-Degree Graph Neural Networks

Yurui Lai, Xiaoyang Lin, Renchi Yang, Hongtao Wang

TL;DRTADA 是一种前置数据增强框架，用于高度图中的图神经网络，通过结构嵌入和拓扑属性感知图稀疏化的方式，提高了主流 GNN 模型在节点分类任务上的预测性能。

Abstract

In recent years, graph neural networks (GNNs) have emerged as a potent tool for learning on graph-structured data and won fruitful successes in varied fields. The majority of GNNs follow the message-passing paradigm

graph neural networks message-passing paradigm high-degree graphs data augmentation node classification

发现论文，激发创造

使用拓扑自适应边缘删除训练鲁棒性图神经网络

该论文提出一种名为 TADropEdge 的自适应数据增强技术，通过考虑图连接性这一重要属性，将随机边删除与图结构信息结合，以生成更为可靠的增强数据，实现了提高图神经网络泛化性能的目的。

Jun, 2021

图神经网络增强的拓扑正则化

本文针对图数据的复杂性和非欧几里德结构，提出了一种基于拓扑正则化的图节点特征增强方法，其中将拓扑结构信息引入端到端模型，并在此基础上运用了对随机游走的无监督表示学习方法获得节点拓扑嵌入，同时使用图神经网络进行传输，有效地提高了性能表现。

Apr, 2021

半监督异构图学习与多层数据增广

该论文提出了一种名为 HG-MDA 的半监督异质图学习方法，通过数据增强、节点和拓扑增强等策略处理稀疏数据场景下异质图的信息异质性问题，采用基于元关系的关注机制和三角形边添加、删除等方式解决了负曲率问题，应用于互联网金融场景下的用户识别任务，取得了比当前 SOTA 模型更好的效果。

Nov, 2022

图增强聚类网络

该研究提出了一种新颖的图增强聚类网络，通过自适应增强初始图的方法，能够实现更好的聚类性能，实验结果表明该方法在六个基准数据集上的表现优于现有的几种先进方法。

Nov, 2022

GTAGCN：广义拓扑适应图卷积网络

基于广义聚合网络和拓扑自适应图卷积网络的混合方法，适用于顺序数据和静态数据的类型，在节点和图分类中都有良好的表现。

Mar, 2024

拓扑指导的超图变换网络：揭示结构洞察以改进表示

提出了一种拓扑引导的超图变换网络，通过保留结构本质学习图中的高阶关系，设计了简洁而有效的结构和空间编码模块将节点的拓扑和空间信息融入其表示，并提出了一种结构感知的自注意机制，从语义和结构角度发现重要节点和超边。实验证明，所提模型在节点分类任务上的性能始终优于现有方法。

Oct, 2023

图神经网络的数据增强

本文介绍了一个名为 GAug 的图数据增强框架，并讨论了在图形神经网络 (GNN) 上进行数据增强的实际动机、考虑因素和策略，重点介绍了如何通过神经边缘预测器有效地提高节点分类性能。实验结果表明，通过 GAug 的数据增强可以提高 GNN 的性能，适用于多种基准数据集和架构。

Jun, 2020

FedTAD: 面向子图联邦学习的拓扑感知无数据知识蒸馏

拓扑感知无数据知识蒸馏技术 (FedTAD) 可以解决子图异质性所带来的性能下降问题，通过优化局部 GNN 模型向全局模型的可靠知识转移，提高分布式图神经网络训练效果。

Apr, 2024

拓扑图神经网络

TOGL 是一种新颖的层，它将一个图的全局拓扑信息与持久同调结合，可轻松集成到任何类型的 GNN 中，在合成和真实数据集上的分类任务中表现出更好的预测性能。

Feb, 2021

张量视图拓扑图神经网络

图分类是一项重要的图结构数据学习任务，我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN)，利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法，能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中，TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。

Jan, 2024