Aug, 2024

通过参考分布学习进行图分类：理论与实践

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 半监督分类的图分区神经网络

    本文提出了一种名为 GPNN 的图划分神经网络，通过在小子图中进行本地传播和在子图之间进行全局传播来处理极大的图形。经过大量实验，实验结果表明，GPNN在图形半监督分类任务中表现优异或与现有算法相当，且使用更少的传播步骤也能够达到标准GNN的性能。

    Mar, 2018

  • 强大的图神经网络是否必要？对图分类的解剖

    通过对图神经网络的线性化，本文将其拆成了基于图滤波和基于集合函数的两个部分，并发现在图滤波时采用线性结构，而在集合函数时采用非线性结构，得到了同样好的结果，从而提出了更简单且高效的建模方案。

    May, 2019

  • 图分类问题中图神经网络的公正比较

    本文探讨了机器学习中实验的可重复性和可复制性问题，并针对图形学习领域的常见做法、常见问题和常用方法进行概述，提供了五个流行模型的评估方法，并提出结构信息尚未得到充分利用的证据。

    Dec, 2019

  • 分布式保持图表示学习

    本文介绍了分布保持图神经网络（DP-GNN），它可以提高具有表现力的 GNN 模型的泛化能力，并在多个基准数据集上的图分类任务中取得了最优结果。

    Feb, 2022

  • 图分类的类别感知表达细化框架

    本文提出了一种Class-Aware Representation refinement (CARE)的方法，通过计算一个简单而强大的类别表示，并注入到图的表示中来提高类别可分离性，从而解决了图神经网络（GNN）在图分类任务中对于图层级关系和泛化问题的缺陷，并在多项实验中验证了其有效性。

    Sep, 2022

  • GCNH: 异质图上的简单表示学习方法

    我们提出了GCNH，是一种简单但有效的GNN架构，适用于异构和同质图形，并使用一个学习的重要系数平衡中心节点和邻域的贡献，可以解决异构图上性能问题和过度平滑问题。

    Apr, 2023

  • OpenGSL：图结构学习的全面基准

    这篇论文介绍了OpenGSL，这是第一个全面的Graph Structure Learning基准，旨在通过评估出现在各种流行数据集，以及使用统一数据处理和分割策略的最新GSL方法之间的公平比较，缩小研究进展存在的差距。

    Jun, 2023

  • 经典GNN是强基线：重新评估GNN用于节点分类

    在本研究中，我们对三种经典的图神经网络模型（GCN、GAT和GraphSAGE）与图转换器（GTs）进行了全面的实证分析，发现之前对GTs的声称过于夸大，而稍作超参数调整后，这些经典GNN模型在17个多样化数据集中达到了最新GTs的性能水平甚至超过。此外，我们还进行了详细的消融研究，探究了归一化、丢弃、残差连接、网络深度和知识传递模式等各种GNN配置对节点分类性能的影响。通过我们的研究，我们旨在推动图机器学习领域对实证功效提出更高的标准，鼓励更准确的模型能力比较和评估。

    Jun, 2024

  • 图适应性与可扩展性学习的核心知识学习框架

    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。

    Jul, 2024

  • 图分类与图神经网络：优化、表示与归纳偏差

    本研究针对图神经网络（GNNs）在表示与优化之间的差异提出了新的见解，指出现有的等价性研究忽视了优化问题。通过理论证明和实验验证，揭示了GNNs在图分类任务中存在的隐含归纳偏差，并展示了如何通过基于注意力的架构融入领域知识以更有效地识别一致子图。

    Aug, 2024