GNN论文周报 | 来自剑桥、港大、华中科大等机构前沿论文研究

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

图神经网络（GNN）是一类专门针对图结构数据的神经网络模型，在社交网络分析、知识图谱等领域中取得了不错的效果。近来，相关研究人员在GNN的可解释性、架构搜索、对比学习等方面做了很多探究。

本周精选了10篇GNN领域的优秀论文，来自剑桥、港大、华中科大等机构。

为了方便大家阅读，只列出了论文标题、作者、链接等信息，如果感兴趣可点击“论文详情页”，PC端数据同步（收藏即可在PC端查看），每日新论文也可登录小程序查看。

1.  AirGNN: Graph Neural Network over the Air论文详情页

作者：Zhan Gao,Deniz Gunduz

AI华同学综述（大模型驱动）：图神经网络是信息处理架构，这些模型从网络数据中表示，并允许通过局部通讯实现。现有的GNN架构有时假设理想的无线通信路线忽略了通道效应，如振动和噪音，导致在实际应用程序中性能恶化。本文提出了一种新的图神经网络AirGNN，是一种新的GNN架构，该架构将通信模型融入到架构中，包括对无线传输图的转换。空对数变换改变了随机交互图上的图变换操作，以考虑受邻居特征收集时频率变异和噪声，从而提高了桥梁的可扩展性。我们提出了一种基于随机梯度下降的方法来训练AirGNN，并表明培训过程收敛到了固定解上。

2. LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation论文详情页

作者：Xuheng Cai,Chao Huang,Lianghao Xia,Xubin Ren

AI华同学综述（大模型驱动）：在本文中，我们提出了一种简单有效的图对比学习范式LightGCL，该模型只使用单一的奇异值分解来进行特征对比增强。实验表明，该模型对数据稀疏性和流行倾向的影响非常鲁棒。此外，进行了大量的分析，以证明该模型优于基线系统，并且能够有效地抵消了噪声扰动。

3. Self-supervised Guided Hypergraph Feature Propagation for Semi-supervised Classification with Missing Node Features论文详情页

作者：Chengxiang Lei,Sichao Fu,Yuetian Wang,Wenhao Qiu,Yachen Hu,Qinmu Peng,Xinge You

AI华同学综述（大模型驱动）：图神经网络中缺失的节点特征最近受到了越来越大的关注，这些缺失的节点特征严重损害了现有GNN的性能。一些最近的方法已经提出来重新构造缺失的节点特征。然而，如何有效地利用与节点的复杂数据相关性来重建缺失的节点特征仍然是一个很大的挑战。为了解决以上问题，我们提出了一种自我监督的引导高分辨率超图特征传播(SGHFP)。具体来说，根据缺失信息出现的节点特征，首先为每个节点生成特征hypergraph，然后将这些特征映射到两个层的双层GNN构建伪标签。在每一迭代中，通过交换形成的特征和先前迭代的复制特征有效地结合在一起，以更好地保留更高序列的数据相关性。

4. Robust Mid-Pass Filtering Graph Convolutional Networks论文详情页

作者：Jincheng Huang,Lun Du,Xu Chen,Qiang Fu,Shi Han,Dongmei Zhang

AI华同学综述（大模型驱动）：图卷积网络目前是处理图结构数据最有希望的范式。然而，最近的研究表明,这些模型容易受对抗攻击。因此，开发具有鲁棒性的基于结构修剪学习方法成为研究的热点。然而，基于鲁棒性约束或鲁棒性限制的防御GCN方法通常为特定的数据或攻击设计，并引入额外的任务。为了解决这些挑战，我们进行了广泛的挖掘，并提出了一种简单但有效的中通滤波器GCN(Mid-GCN)。理论分析保证通过中流过滤器的稳健性，以及不同频率信号在对抗攻击下的不同特性，六个基线数据的实证结果进一步验证了我们设计的中通滤波器在节点分类精度方面的优势。

5. Graph Adversarial Immunization for Certifiable Robustness论文详情页

作者：Shuchang Tao,Huawei Shen,Qi Cao,Yunfan Wu,Liang Hou,Xueqi Cheng

AI华同学综述（大模型驱动）：在本文中，我们提出了并定义了图的对抗性免疫，即疫苗化图结构的一小部分。尽管取得了最初的成功，但这种优势抗击不了新出现的节点注射攻击。为了克服计算昂贵的组合优化问题，我们设计了Advlmmune-Edge和Advlmmune-Node算法来有效地获得免疫节点对或节点。实验证明了Advlmmune方法的优越性。此外，Advlmmune方法显示出迄今为止最好的防御性能。

6. GraphPrompt: Unifying Pre-Training and Downstream Tasks for Graph Neural Networks论文详情页

作者：Zemin Liu,Xingtong Yu,Yuan Fang,Xinming Zhang

AI华同学综述（大模型驱动）：提示是自然语言处理中微调的一种流行替代方法，旨在以特定于任务的方式缩小预训练和下游目标之间的差距。该框架不仅将原始训练和下流任务统一为一个通用任务模板，还使用学习到的启发式提示帮助下流任务找到最相关的知识。最后，我们对五个公共数据集进行广泛的实证研究，以评估和分析图表启发式提示。

7. Dual Graph Multitask Framework for Imbalanced Delivery Time Estimation论文详情页

作者：Lei Zhang,Mingliang Wang,Xin Zhou,Xingyu Wu,Yiming Cao,Yonghui Xu,Lizhen Cui,Zhiqi Shen

AI华同学综述（大模型驱动）：交货时间估算DGM-DTE是整个电子商务供应链的关键组成部分。准确的MTE可以提高平台收入，并减少顾客投诉和退款。然而，工业数据的不平衡性阻碍了以前的模型实现令人满意的预测性能。我们提出了一种新的双图多任务框架，该框架首先将交货时间定义为头部和尾部数据。然后使用基于双图的模型来学习两个类别的数据表示。特别地，DGM-DTE用估计核密度的方式重新加权了尾部数据的嵌入。

8. SynGraphy: Succinct Summarisation of Large Networks via Small Synthetic Representative Graphs论文详情页

作者：Jérôme Kunegis,Pawan Kumar,Jun Sun,Anna Samoilenko,Giuseppe Pirró

AI华同学综述（大模型驱动）：我们描述了SynGraphy，一种可视化大型网络数据集的表示方法，该方法通过将生成的小型图像描绘成具有与输入图像相似的结构特征的图像来工作。由于网络的规模很大，可视化非常困难，可能会导致图形传达很少或者根本没有信息。尽管现代的图表排序算法可以计算扩展到大规模网络，但它们的输出往往给人留下深刻印象。在本文中，我们从一个新的视角来看这个问题：我们把原始图的顶部和边缘留在了后面，而是用一个完全的新图来概括它的结构特性。

9. Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks论文详情页

作者：Atabey Ünlü,Elif Çevrim,Ahmet Sarıgün,Hayriye Çelikbilek,Heval Ataş Güvenilir,Altay Koyaş,Deniz Cansen Kahraman,Abdurrahman Olğaç,Ahmet Rifaioğlu,Tunca Doğan

AI华同学综述（大模型驱动）：探索新药候选物质是药物开发的关键步骤之一。生成性的深度学习模型旨在根据概率分布从已知的空间中提取完全新的样品。生成性模型具有巨大的潜力，但为了使它们在实际的药物开发流程中发挥作用，这些模型必须能够设计靶向特定的成分。在本文中，我们提出了一种DrugGEN，用于从头设计与靶蛋白相互作用的候选药物分子。该系统表示化合物和蛋白质结构为图。在基本基准测试中，DrugGEN 模型与其他方法相比具有竞争力或更好的性能。

10. A Survey on Graph Neural Networks for Graph Summarization论文详情页

作者：Nasrin Shabani,Jia Wu,Amin Beheshti,Jin Foo,Ambreen Hanif,Maryam Shahabikargar

AI华同学综述（大模型驱动）：在本文中，我们概述了目前最先进的图摘要的最新进展。我们将论文划分为四个类别，包括图递归网络、图卷积网络、图自动编码器和图注意网络。我们还讨论了一个研究线索，即如何利用图强化学习来评估和提高摘要质量。最后我们得出结论，这项调查有助于进一步研究该领域。

— end —

往期精彩文章推荐

记得关注我们呀！每天都有新知识！

 关于AI TIME 

AI TIME源起于2019年，旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索，加强思想碰撞，链接全球AI学者、行业专家和爱好者，希望以辩论的形式，探讨人工智能和人类未来之间的矛盾，探索人工智能领域的未来。

迄今为止，AI TIME已经邀请了900多位海内外讲者，举办了逾450场活动，超500万人次观看。

我知道你

在看

哦

~

点击 阅读原文 查看更多！