Jul, 2024

图适应性与可扩展性学习的核心知识学习框架

PDF
TL;DR本文提出了一种针对图分类的算法，通过吸收来自不同类型任务的观点，旨在增强图分类中的适应性、可扩展性和泛化性，通过学习整个图的核心子图，重点关注与任务相关的最重要特征，从而改善模型性能、增加领域适应性并增强对领域变化的鲁棒性。实验结果表明，与现有方法相比，我们的方法取得了显著的性能提升。
graph classificationmachine learningadaptabilityscalabilitycore subgraph
发现论文，激发创造
  • CoCo: 无监督领域自适应图分类的耦合对比框架

    提出了一种名为 CoCoGRL 的新方法来解决图形神经网络在图形分类，无监督学习，域适应等领域中需要大量标记成本的问题，此方法使用图形结构在多个视图上进行对比学习。

    Jun, 2023

  • 基于远程监督迭代训练的粗到细的知识图谱领域适应

    本文针对现代深度学习神经网络模型需要大量手动标注数据以及从大量文本数据中构建领域特定知识图谱的困难问题，提出一个将知识图谱自适应和重新学习应用于不需要手动注释训练数据的领域适应性构建的综合框架，并引入了一种新的迭代训练策略来促进领域特定命名实体和三元组的发现和抽取，实验结果表明，该框架可以有效执行领域适应和构建知识图谱的任务。

    Nov, 2022

  • 图神经网络知识的提取与扩展：一种有效的知识蒸馏框架

    本文提出一种基于知识蒸馏的框架，利用参数化标签传播和特征转换模块搭建简单的学生模型。实验结果表明，该模型在 5 个公共基准数据集上相对于 7 个图神经网络的教师模型平均能提高 1.4% - 4.7% 的准确度，并且具有更可解释性的预测过程。

    Mar, 2021

  • AdaGraph: 通过图像统一预测和持续领域自适应

    本文研究领域适应和泛化中的预测领域适应的问题，提出了一种能够通过图形利用辅助域中信息的深度学习架构，同时提出了一种简单有效的策略，能够在测试时利用流入的目标数据进行连续的领域适应，并在三个基准数据库上进行了实验证明了我们方法的价值。

    Mar, 2019

  • 域自适应图分类

    通过双重对抗学习的方法，本文提出了 Dual Adversarial Graph Representation Learning（DAGRL）来探索图拓扑结构，并且减少域间差异，实验证明了该方法的有效性。

    Dec, 2023

  • 学习如何组合：多源领域自适应的知识聚合

    通过探索不同域之间的相互作用，我们提出了一种基于知识图谱的多源领域适应框架（Learning to Combine for Multi-Source Domain Adaptation, LtC-MSDA），其中构建了知识图谱来实现语义相邻表示之间的信息传播，并学习图模型以在相关原型指导下预测查询样本。此外，我们设计了一种关系对齐损失（RAL），以促进类别相互依存关系的一致性和特征的紧凑性。在公共基准测试数据集上的综合结果表明，我们的方法优于现有方法，并提供了可靠的代码实现。

    Jul, 2020

  • KGNN：面向图神经知识表示的分布式框架

    KGNN 框架采用 GNN 编码器和知识感知解码器，旨在以细粒度的方式共同探索高阶结构和属性信息，同时在知识图谱中保留关系模式，并在链接预测和三元组分类任务上展示了其有效性和可扩展性。

    May, 2022

  • 通过图卷积的对抗领域自适应实现图传输学习

    本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。

    Sep, 2019

  • 图关系感知的持续学习

    连续图学习研究了从无限的图数据流中学习的问题，将历史知识整合并推广到未来的任务。在当前只有当前的图数据可用。本文提出了一种关系感知自适应模型，并说明了图边缘后面的潜在关系可以被归因为不变因素。通过实验证明，该模型在 CitationNet、OGBN-arxiv 和 TWITCH 数据集上相对于现有方法分别提高了 2.2%、6.9% 和 6.6% 的准确度。

    Aug, 2023

  • 无框图知识蒸馏

    本文提供了一种基于多尺度图框架的知识蒸馏方法，通过合理利用图框架分解所提供的多尺度图知识，学生模型能够适应同构和异构图，并具有通过简单而有效的图手术缓解过度压缩问题的潜力。实验结果表明，该模型可以在保持高推理速度的同时，生成与教师模型相同甚至更好的学习精度。

    Jul, 2023