关键词semi-supervised node classification
搜索结果 - 33
- ICML图转换器泛化能力的提升方法：关注力机制和位置编码的理论探讨
该研究通过理论探索首次分析了浅层图变换器在半监督节点分类中的应用。它使用了自注意力和位置编码，并描述了实现理想的泛化误差所需的样本复杂度和迭代次数的定量特征。此外，文中还展示了自注意力和位置编码如何通过稀疏化注意力图和在训练过程中促进核心邻 - 基于图学习的双图卷积网络用于半监督节点分类与子图草图
我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN，并将其应用于半监督节点分类任务，在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还 - FedStruct: 分布式解耦图联邦学习
我们提出了一种名为 FedStruct 的新框架，用于处理分布在多个客户端上的基于图结构的数据的联邦学习挑战，通过利用明确的全局图结构信息捕捉节点间的依赖关系，FedStruct 消除了在客户端之间共享敏感节点特征或嵌入的必要性，通过在六个 - AAAINodeMixup: 解决图神经网络的欠拟合问题
图神经网络在解决半监督节点分类问题上已成为主流方法。然而，由于标记节点在图中的不均匀位置分布，标记节点只能访问到少部分未标记节点，导致了 “达不到” 问题。本研究首先通过对各种已知图进行实证研究揭示了达不到问题。然后，通过系统的实验分析展示 - 通过 MLPs 揭示图学习的潜在潜力：利用传播式 MLPs 的有效图学习器
通过知识蒸馏从图神经网络导师中训练学生多层感知机，将 KD 过程重新构建为使学生模型在知识蒸馏中显式学习结构信息，并提出了一个有效的方法 Propagate & Distill (P&D)，通过真实世界基准数据集的综合评估表明了 P&D 的 - HetGPT: 利用预训练异构图神经网络的提示调节能力
提出了 HetGPT，一种通用的后训练提示框架，用于改善预训练的异构图神经网络（HGNNs）的预测性能，并通过多视图邻域聚合机制捕捉异构图中的复杂邻域结构。在三个基准数据集上进行的大量实验证明了 HetGPT 在半监督节点分类方面改进了最先 - 简化低秩核模型对 GNN 的性能
重新审视最近的谱图神经网络方法用于半监督节点分类问题，认为许多当前的谱图神经网络架构可能过度设计；相反，简单的传统非参数估计方法在谱域中应用，可以替代许多深度学习启发的谱图神经网络设计；这些传统方法在各种图类型上表现良好，达到了许多常见的半 - DualHGNN: 基于多视角学习和密度感知的半监督节点分类双重超图神经网络
该研究提出了一种新的双超图神经网络 (DualHGNN) 模型，它同时整合了超图结构学习和超图表示学习，通过利用多视图超图学习网络探索多个视角下的最优超图结构，并利用密度感知超图注意网络来探索基于密度感知机制的高阶语义相关性。在各种基准数据 - 上下文随机块模型的最优推断
本文提出了基于上下文随机块模型的半监督社区检测，并使用置信传播算法解决推断问题。研究表明，与已有的图神经网络相比，该算法性能更优，因此该模型可用于开发更高效的图神经网络 。
- 图神经网络中节点分类的分布式信号
本论文介绍了一种将分布式图信号运用于图神经网络中、以提高 GNN 在半监督节点分类中性能的正则化方法。通过数值实验发现，该方法能够显著改善不同问题设置下大多数基本 GNN 模型的性能。
- 图马尔可夫神经网络的公平评估
本文介绍了一种名为 GMNN 的图马尔可夫神经网络模型用于半监督节点分类，它在节点特征、图结构、邻居节点标签三个方面提高节点标签预测的准确性，并使用 WikiVitals 数据集进行了有效性验证，研究中使用了适当的随机化方法进行模型性能比较 - 图卷积神经网络学习什么？
本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现，节点的相似度和 GCN 的性能有正相关关系，并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。
- 图神经网络的最优传播学习
本文提出一种基于双层优化的方法，通过直接学习个性化 PageRank 传播矩阵以及下游半监督节点分类并同时进行学习，学习最佳的图结构，并探索低秩逼近模型以进一步降低时间复杂度。实证评估表明，所提出的模型在所有基线方法中具有更高的有效性和鲁棒 - ICML正则化贝叶斯图卷积神经网络的邻域随机游走图采样
本论文介绍了一种新算法 ——Bayesian Graph Convolutional Network using Neighborhood Random Walk Sampling (BGCN-NRWS)，使用基于 Markov Chain - 基于不均衡拓扑的半监督节点分类学习
本论文主要探讨了在学习节点表示过程中，类不平衡问题是如何影响图像的，同时提出了一种识别和解决图拓扑不平衡问题的新方法，并在系统实验中证明了该方法在缓解拓扑不平衡问题和促进半监督节点分类中的有效性和通用性，同时揭示了不同 GNN 架构对拓扑不 - KDD通过改善具有局部混合模式的图的同配性来突破图神经网络的限制
在图神经网络中，提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式，进而设计了一种改进的计算图结构，并在此基础上提出一种自适应选择结构与接近度信息的模型，以取得更好的性能，其中针对半监督节点分类任务进行的实验也取得了良好 - 同赋关系对于图神经网络的必要性？
本研究发现传统的 GCN 比使用新架构的 GNN 在特定条件下在某些常用异质图上表现更好，证实了同质性不是良好 GNN 性能的必要条件。
- 图形净化，用于节点分类应用
该研究提出了图形消毒问题，通过学习更好的图形作为挖掘模型的一部分，期望有助于从清除，填补到防御等不同应用中获得更好的结果。将该问题格式化为二层优化问题，并通过半监督节点分类来实例化，并提出了一种名为 GaSoliNe 的有效求解器。广泛的实 - 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。
- AAAI图上半监督节点分类：马尔可夫随机场与图神经网络
本研究提出了一种优化的 pMRF 方法，通过学习边潜力来解决现有方法的局限性，实现半监督节点分类在准确性和效率方面超越了图神经网络。