Jul, 2024

图适应性与可扩展性学习的核心知识学习框架

HTML
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。
发现论文，激发创造
  • 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

  • 图学习：综述

    本文综述了图学习领域的现状和发展，主要包括四种现有的学习方法：图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用，以及该领域未来的研究方向。

    May, 2021

  • 用于子图分类的随机子图邻域池化

    本篇论文提出了一种不需要标记技巧，同时能够在维护泛化能力的同时提高可扩展性的用于子图分类的机器学习模型Stochastic Subgraph Neighborhood Pooling(SSNP)，通过结合子图和其邻域的信息，以及简单的数据增强预处理步骤来多视角观察邻域的信息，并在大规模图像数据集上的实验证明其在性能和速度方面的优越性。

    Apr, 2023

  • OpenGDA：面向跨网络学习的图领域自适应基准

    图领域适应模型在跨网络学习任务中得到广泛应用，目的是传递标记或结构知识。我们提出了一个名为OpenGDA的基准，它提供了丰富的预处理和统一数据集以进行不同类型的任务评估，并整合了最先进的模型和标准化的端到端流程。OpenGDA是一个用户友好、可扩展和可复制的基准，可用于评估图领域适应模型在真实世界应用中的性能和挑战。

    Jul, 2023

  • 图领域适应：挑战、进展与前景

    图领域适应（Graph Domain Adaptation）是一种有效的跨图知识转移范式，该论文详细调查了图领域适应的研究现状、挑战、代表性工作以及展望，并提供了第一份图领域适应调查报告。

    Feb, 2024

  • OpenGraph：走向开放图形基础模型

    我们开发了一个通用的图基础模型，通过理解不同基于图的数据中的复杂拓扑模式，使其在不同下游数据集上出色地完成零样本图学习任务。

    Mar, 2024

  • 合作自适应：无源图领域自适应的双向适应

    我们提出了一种名为GraphCTA的新范式，通过一系列步骤：在考虑本地和全局信息的情况下，基于目标图中节点邻居的预测进行模型适应；通过邻域对比学习来更新图结构和节点属性进行图适应；以及使用更新后的图作为输入来促进后续模型适应的迭代，从而在没有访问标记源图的情况下解决领域适应问题。我们在各种公共数据集上进行了全面的实验，实验结果表明我们提出的模型较最近的无源基准模型有很大的改进。

    Mar, 2024

  • 通过图乘积和图粗化实现灵活的对称子图GNN框架

    基于子图的图神经网络（Subgraph GNNs）通过将图表示为子图集合来增强信息传递式图神经网络的表达能力，并引入了新的子图GNN框架以解决性能限制和子图选择问题。通过控制粗化函数，实现了对任意数量子图的有意义选择，并将其与标准训练技术兼容。实验证明，该方法比基线方法更加灵活，在处理任意数量子图时表现出更好的性能。

    Jun, 2024

  • 重新审视、基准测试和理解无监督图领域适应

    在无监督图领域自适应中，我们提出了第一个名为GDABench的全面基准测试，涵盖了16种算法、5个数据集和74个适应任务。通过广泛的实验，我们观察到当前UGDA模型的性能在不同数据集和适应场景中存在显著差异，尤其在源图和目标图面临显著分布偏移时，必须制定有效应对和减轻图结构转换的策略。我们还发现通过合适的邻居聚合机制，简单的GNN变体甚至可以超过最先进的UGDA基线方法。为了促进可重复性，我们开发了一个易于使用的PyGDA库，用于训练和评估现有的UGDA方法，在这个社区提供了一个标准化平台。

    Jul, 2024

  • 通过参考分布学习进行图分类：理论与实践

    本研究解决了图分类中难以量化图之间相似性和图表示的问题，提出了一种新颖的图参考分布学习（GRDL）方法，该方法通过将GNN层生成的潜在节点嵌入视为离散分布，避免了全局池化操作，基于最大均值差异进行直接分类。实验结果证明，GRDL在一般化能力和效率上均优于现有的GNN方法，训练和推理速度至少快10倍，为实际应用提供了强有力的理论支持和实验验证。

    Aug, 2024