- GC-Bench: 图形凝聚的开放和统一基准
我们研究了图缩减的性能,并通过开发一个综合的图缩减基准测试库 (GC-Bench) 来评估 12 种最新的图缩减算法在不同场景下的效果、可迁移性和复杂性。
- 一项全面的图池化基准测试:效果、鲁棒性和泛化性
图池化方法在不同任务中的性能评估涵盖了 15 种图池化方法和 21 个不同的图数据集,以评估其在效果、鲁棒性和泛化性方面的性能,并通过深入的实验验证了图池化方法在各种场景中的强大能力和适用性,为深度几何学习研究提供了有价值的见解和指导。
- PGTNet: 业务流程实例剩余时间预测的过程图转换网络
PGTNet 通过将事件日志转换为图数据集,并利用面向图的数据训练流程图转换网络来预测业务流程实例的剩余时间,相比其他深度学习方法,PGTNet 在 20 个真实世界的事件日志上表现更好,尤其适用于高度复杂的流程,能够学习处理活动之间的控制 - 多目标演化影响最大化:平衡传播力、预算、公平性和时间
通过优化影响最大化的多个目标函数,结合多目标进化算法(MOEA)和图感知操作,MOEIM 在大多数多目标设置中表现出色,探索目标之间的相关性,提供了新的见解。
- GraphPub: 高可用性的差分隐私图生成
通过图发布者机制,我们提出了一种新颖的图边保护框架 (GraphPub),既可以保护图拓扑结构,又能基本不改变数据的可用性,通过逆向学习和编码 - 解码机制,搜索一些对节点特征聚合没有太大负面影响的假边,并使用它们替换一些真实边,从而实现对 - 公平图异常检测:问题、新数据集和评估
公平图异常检测(FairGAD)问题是在确保公平性、避免对敏感子群体(如性别或政治倾向)的个体产生偏见的同时,准确检测输入图中的异常节点。本研究通过引入公平图异常检测问题的正式定义和来自全球知名社交媒体平台 Reddit 和 Twitter - 一身归宗:一种简单而有效的跨领域图预训练方法
利用多个图数据集进行预训练来提高少样本学习的有效性,通过融合各异的图数据集来提取和转移有意义的知识到目标任务,为图基础模型领域做出开创性贡献。
- 两个交易不迷茫:通过构建合理梯度匹配来压缩图
通过优化的起始点和更精细的梯度匹配策略,提出了一种名为 CTRL 的新型图图聚类方法,在多个图数据集和下游任务上进行了广泛实验证实其有效性。
- 跨视图图形一致性学习的不变图表示
本文提出了一种跨视图图一致性学习(CGCL)方法,通过双向图结构增强方案从不完整的图结构派生出两个互补的增强视图,并利用 CGCL 模型学习不变的图表示,以实现链路预测,并通过理论分析和实验证明所提出的 CGCL 方法在图数据集上取得了竞争 - XFlow:基于图的流行为基准测试
我们提出了一种新颖的基准套件,涵盖了各类任务、基准模型、图形数据集和评估工具,并提供了一个广义方法来处理不同域中与流相关的任务,作为蓝图和路线图。
- 基于双学生 - 教师模型的判别图级异常检测
该研究提出了一个基于双学生 - 教师模型的鉴别性图级异常检测框架,通过节点级和图级信息差异来识别包括节点和图属性异常在内的异常图信息,并通过结合两个学生模型之间的表示误差来区分异常图。实验证明该方法对于真实世界中的图数据集的图级异常检测任务 - 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。
- ICMLGraphCleaner: 检测在流行的图学习基准中错误标记的样本
本文提出了解决图数据中误标签的问题的方法,GraphCleaner,通过合成假标签数据集和基于邻域依赖性的误标签检测技术,该方法在 6 个数据集和 6 个实验设置中得到了显著的平均 F1 得分为 0.14 和 MCC 为 0.16 的改善, - KDD通过一步梯度匹配压缩图
本文提出了一种基于概率图模型和单步梯度匹配的高效数据集压缩方法,能够在保持性能的前提下将数据集大小缩减 90%。
- 图上的外域泛化:一份综述
我们综合调查了图形领域中的 ODD 概括率,并详细审查了最近在这个领域取得的进展,然后根据其在图形机器学习流水线中的位置,从数据、模型和学习策略等不同概念上将现有方法分为三类,并对每个类别进行了详细讨论,最后分享了我们对未来研究方向的看法。
- WWW非同构图学习的新基准
本文提出了一系列改进的图形数据集,并介绍了一种新的度量方式,以测试在低同质性设置中的新方法的有效性,利用图形神经网络和简单方法对所提出的数据集进行了基准测试,为进一步研究提供新的见解。
- IJCAI重新思考对半监督节点分类带来的对比学习推进
本文提出了一种基于拓扑信息增益感知的图对比学习框架 (TIFA-GCL),该框架考虑了图中注释信息分布的不均匀性,可以在半监督节点分类任务中带来比现有图对比学习方法更大的改进。
- 对抗隐私保护图嵌入抵御推理攻击
本文提出了 Adversarial Privacy Graph Embedding (APGE) 模型,它是一种图形对抗训练框架,可以学习来自图形结构数据的低维特征表征,并保护用户隐私信息,从而在解决节点分类和链接预测等任务时具有优越性能。