ICLR2022 GNN图神经网络论文阅读 (二) 泛读 (11-12)

• 欢迎关注WX公众号，每周发布论文解析：PaperShare,
  点我关注

论文列表

目前找了录用的一些有关于Graph或者GNN的文章，先过一遍各个文章的摘要，然后再花时间对觉得比较重要或者有趣的文章进行详细阅读。

• Paper 1-2

• Paper 3-4

• Paper 5-6

• Paper 7-8

• Paper 9-10

Paper 11

今天这篇文章不是GNN文章，但是和graph有关，其实是causal discvoery的文章，初入坑这个方向，下一个专题论文分享将会是causality相关的文章,今天碰巧先开个引子

摘要简介

• 利用观测数据和干预数据来学习因果图模型是很多科学研究的基础。
• 用连续优化来做score-based的方法虽然比较有前景，但是需要对无环或者收敛进行约束。
• 提出了ENCO，对DAG因果图进行学习。
• ENCO会独立的优化每条边的likelihood，并且边的方向也是一个变量。
• 因此我们能够不依赖与无环的约束就能保证ENCO的收敛性。
• ENCO能同时处理deterministic variables和发现潜在confounder，并且能有效地恢复具有数百个节点的图，比以前可能的要大一个数量级。

实验

Paper 12

摘要简介

• 利用前置任务（pretext task）来进行图自监督学习很重要。
• 通常都是用单一的pretex task，我们认为这样比较局限，应该找到很多pretext tasks来做。
• 提出了AOTOSSL，利用“homophily”同质性，或者说“物以类聚”为原则，来高效地搜索pretext tasks。
• 从理论和实验上来证明该框架的灵活性。
• AUTOSSL相对于只利用单一pretext task的方法，在8个真实数据集上都取得了明显性能提升，包括图聚类和分类任务。

实验

提升看起来确实明显。

分析

相当于从图中挖掘了更多的feature。