关键词inductive node classification
搜索结果 - 5
- GraphAny: 适用于任何图节点分类的基础模型
该研究论文提出了一种名为 GraphAny 的基础体系结构,实现了对新图进行构造节点分类的推理,使用线性 GNN 的解析解并学习节点的注意力分数来融合多个线性 GNN 的预测,从而实现对不同图结构的泛化,该方法在归纳方式下,使用仅 120 - SIGIR跨图元算归纳节点分类
本文介绍了一种名为 MI-GNN 的基于元学习范式的元 + 归纳框架,以定制归纳模型以适应每个图表的方法。 MI-GNN 在图和任务级别上都采用双适应机制,对来自同一领域内不同的图表进行自适应,提高了半监督节点分类的性能。
- 一种集体学习框架以提高 GNN 表达能力
本文提出了一种基于集体学习和自监督学习的蒙特卡洛采样框架,用于将当前的 GNN 模型进行增强以实现节点分类,实验结果表明,该方法在五个真实世界的网络数据集上都取得显著的性能提升。
- ICLR数据驱动节点采样强化 GraphSAGE
本文提出了一种新的基于数据驱动采样策略,通过非线性回归来确定一个邻域的实值重要性,并使用该值作为采样标准,实验表明基于值的强化学习方法能够提高 GraphSAGE 的性能。
- GaAN: 基于门控注意力的大规模时空图学习网络
该文提出了一种新的网络架构 —— 门控注意力网络(GaAN),用于学习图形。该架构使用卷积子网络来控制每个注意力头的重要性,证明了其在归纳节点分类问题和交通速度预测问题上的有效性,并在三个真实世界数据集上取得了最先进的结果。