关键词semi-supervised node classification
搜索结果 - 33
- 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。
- ICMLWiki-CS: 基于维基百科的图神经网络基准
我们提出了 Wiki-CS 数据集,它是从维基百科中导出来的,用于基准测试图神经网络。该数据集包含计算机科学文章对应的节点,边基于超链接和 10 个代表该领域不同分支的类别。我们使用该数据集评估半监督节点分类和单关系链预测模型,实验结果表明 - 散射 GCN: 克服图卷积网络的过度平滑问题
本文提出了一个叫做 Scattering GCN 的方法,将传统图卷积神经网络与几何散射变换和残差卷积相结合,以提高半监督节点分类的性能。实验结果显示,与最新提出的图神经网络相比,这种方法在处理图数据时具有优越性能。
- KDD具有快速特征值逼近的谱图注意力网络
本文提出 Spectral Graph Attention Network 和 SpGAT-Cheby 两种新的基于注意力机制的子图表示学习算法,具备捕捉图形全局特征和更少的学习参数的能力,通过半监督节点分类实验验证了算法的效果。
- PushNet:高效且自适应的神经消息传递
本文介绍了一种异步信息传递算法,利用单个同步信息传递迭代来推动最相关的边,使用基于有意义的稀疏节点邻域的节点自适应接受场,通过学习和组合不同大小邻域上的节点表示来捕获多尺度的相关性,并在五个现实世界数据集上提出了半监督节点分类的竞争对手,具 - 自强化图神经网络:利用模型输出提升图神经网络
本文提出了一种自我增强的图神经网络 (SEG),通过从拓扑和节点标签两个方面优化输入数据质量,改善了现有 GNN 模型的性能,并配合实验结果验证了 SEG 的效果。
- IJCAI带有邻居交互的双线性图神经网络
本文提出了 Bilinear Graph Neural Network (BGNN) 作为一种新的图卷积运算符,它增加了邻居节点表示的成对交互,从而在半监督节点分类任务中提高了 GNN 的表示能力。实验结果表明,BGNN 模型的性能优于现有 - AAAI基于知识迁移的图少样本学习
本文提出了一种基于 Graph Neural Networks 和 graph few-shot learning 算法的半监督节点分类方法,通过传递先前学习的辅助图中的结构知识来改进目标图上的分类精度,并在四个真实世界图数据集上的实验和消 - Fisher-Bures 对抗图卷积网络
本文介绍了一种基于量子信息几何的图卷积网络模型,通过对图的扰动进行特征分解,找到一个有效的扰动方向以改进半监督节点分类任务性能,同时提出了三种不同的图形式学几何,从而提高对图神经网络的理解和发展新技术。
- IJCAI用于半监督节点分类的分层图卷积网络
本研究提出了一种新的深层分层图卷积网络 (H-GCN),通过聚合结构相似的节点形成超节点,然后再将粗化的图细化到原始图以恢复每个节点的表达,从而扩大每个节点的感受野,能够获取更多的全局信息,并在各种公共基准测试图数据集上表现出强大的实证性能 - 超图卷积和超图注意力
该研究引入了两个可端到端训练的操作符,在超图卷积和超图注意机制方面,以在高阶关系的图结构数据上有效地学习深度嵌入,并在半监督节点分类方面展示了其有效性。
- 图神经网络评估的陷阱
本文探讨了现有的 Graph Neural Networks(GNN)模型评估策略的局限性,通过对四个知名 GNN 模型进行彻底的实证评估,发现只有在公平的条件下比较各种模型的性能才是合理的,简单的 GNN 架构通过超参数和训练程序的公平调 - 使用自编码器在图上进行预测的学习
本文利用一种新的自编码器结构,能够有效地学习本地图结构和已有节点信息的联合表示,以进行链接预测和节点分类的多任务学习,并在 9 个基准图结构数据集上进行了全面的实证评估,证明了其优于现有方法的表现。