关键词graph classification tasks
搜索结果 - 5
- 模型窃取攻击对图分类的真实性、不确定性和多样性
最近的研究表明，GNN 对于模型盗取攻击是脆弱的，而这种攻击是通过查询许可来复制目标模型的阴险行为。然而，这些研究主要关注节点分类任务，忽视了在图分类任务领域所带来的潜在威胁。此外，它们的可行性令人质疑，因为涉及了大量的数据需求和广泛的模型 - EPIC：通过可学习的成本实现编辑路径插值的图增强
EPIC 是一种新的插值方法，通过学习可学成本函数的形式来扩充图数据集，借助图编辑距离生成新的类似于原始图但结构有所变化的图，并演示了 EPIC 在多个基准数据集上的有效性，并证明在图分类任务中优于现有的数据增强方法。
- 节点下采样的图神经网络中的层次表示学习
本文提出了 Node Decimation Pooling (NDP)，这是一种用于 GNN 的池算子，能够生成更粗糙的图，同时保持整体图拓扑结构，通过三个步骤：节点削减，Kron reduction，和稀疏化过程生成 coarsened - WWWDDGK: 为深度分歧图核学习图表示
本文提出了 Deep Divergence Graph Kernels 这种无监督的方法，可以学习表示图形相似性，对齐子结构，不依赖监督、领域特定知识或已知节点对齐，并取得了具有竞争力的图分类任务结果。
- NIPS分子中的关系发现和融合的光谱多图网络
本文探讨了谱图卷积网络（GCNs）在变量图结构和大小的情况下解决图分类任务的效力，提出了一种从多关系图中学习的新型多图网络，并成功地在多个化学分类基准测试中取得了竞争性的结果。