图神经网络(二十五) Graph Neural Networks with Heterophily，AAAI2021

最新推荐文章于 2024-06-21 21:05:35 发布
最新推荐文章于 2024-06-21 21:05:35 发布
阅读量1.4k 收藏 1
点赞数
分类专栏： GNN Model 文章标签： 图神经网络 异质性网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36618444/article/details/113806691
版权
本文提出CPGNN框架，通过兼容矩阵H解决图神经网络在异质性网络中的问题。引入了同质性比率h和概率矩阵H，用于衡量和学习节点间的异质性。实验表明，CPGNN在不同数据集和异构图中表现出优越性能，且学习到的H矩阵具有可解释性。
摘要由CSDN通过智能技术生成

本文作者来自于密歇根大学、Adobe Research以及Intel Labs。
本文拟提出一个框架去解决图神经网络异质性的问题，有关这部分的预备知识可以见Geom-Graph-ICLR2020。本文的主要贡献如下:

  1. 通过将兼容矩阵 H H H（compatibility matrix）合并到基于gnn的方法中，描述了gnn对异质性网络的推广。也就是提出了一个
了解本专栏 订阅专栏 解锁全文 超级会员免费看
五月的echo
关注
专栏目录
订阅专栏
图神经网络(二十三) Data Augmentation for Graph Neural Networks，AAAI2021
qq_36618444的博客
02-09 3196
本文的作者来自美国圣母大学。 数据增强技术已被广泛用于提高机器学习模型的通用性。然而，对于图数据增强的工作研究较少。这主要是由于图的复杂、非欧几里得结构限制了可能的操作操作。本文讨论了图数据增强的实践和理论动机、考虑因素和策略。工作表明,神经边缘预测可以有效地编码类同质结构促进内部类边并降级类间的边。之后提出了GAUG图形数据增加框架，提高GNN架构和数据集的性能。 Introduction 本文归纳了现有的三种图数据增强的办法。DropEdge。ADARdge，在预测具有相同(不同)标签且具有高置信度的节
图神经网络 - 南洋理工大学 - lecture14_graph_neural_networks.zip
10-30
图神经网络，来自于南洋理工大学计算机学院Xavier Bresson教授的演讲稿，欢迎大家下载学习。
《Graph Neural Network with Heterophily》阅读笔记
LW的技术小筑
09-20 2634
论文地址：Graph Neural Network with Heterophily 文章概括 作者指出如今许多GNN模型都是基于同构的假设，然而现实生活中异构图还是比较多的，这些基于图同构假设的模型在这些异构图上往往表现不佳。为此，作者提出了一个新的框架——CPGNN，该框架既能处理同构图，也能处理异构图。该框架设计了一个相容性矩阵（compatibility matrix）来建模图上的同构性和异构性，此外该框架也适用于图中结点特征缺少的情况。 作者指出，他们这篇文章的贡献如下： 提出一个相容性矩阵并将
探索图神经网络（GNN）：使用Python实现你的GNN模型
最新发布
weixin_42132035的博客
06-21 1604
本文介绍了如何使用Python和DGL库实现一个简单的图神经网络模型，并阐述了图神经网络的基础知识、主要模型以及应用场景。通过本文的学习，你应该能够初步了解GNN的基本原理和实现方法，并尝试在实际项目中应用GNN。图神经网络是一个强大且灵活的工具，它在处理图结构数据方面有着独特的优势。希望这篇文章能帮助你开启GNN的探索之旅。如果你对图神经网络感兴趣，可以进一步深入学习更复杂的模型和应用，如GraphSAGE、GAT等。祝你在GNN的世界里有所收获！
ICML22：Finding Global Homophily in Graph Neural Networks When Meeting Heterophily 华师 MSRA NTU
qq_40926715的博客
05-23 857
文章信息 1.摘要 本文是异质图研究，写作措辞上较为易懂。异质图2020年-2021较多，本文方法1.设计不同节点间的 相似度聚合矩阵，以一种globa视角。 这个矩阵正负数，有闭合解。 2. 优化后 线性复杂度。 3. 有grouping effect 亮点：1. 可扩展异质图 2. 对比了nips21的Linkx（也是采用双MLP类似LINXK），并采用了新提出的数据集 3.实验很详尽。 2.介绍 先介绍了graph发展，说出gcn、gat、graphsage的smoothing平滑不适合异质性。
异质图综述 - Graph Neural Networks for Graphs with Heterophily: A Survey（CoRR 2022）
qq_40671063的博客
07-15 4162
异质图综述 - Graph Neural Networks for Graphs with Heterophily: A Survey（CoRR 2022）
图神经网络处理heterophily图
weixin_44370695的博客
01-04 1586
在大多数情况下，我们所见到的图结构里，只要两个节点是连接的，那么这两个节点的标签和特征也是相似的，如在社交网络、交通网络、卫星网络。但也会有些图不是这样的，例如食物链网络、基站网络等等。 heterophily图的处理比困难。下面介绍H2GCN网络。 首先，要介绍高阶邻域。如下图所示，有两个邻域，一个是一阶，一个是二阶。所谓二阶邻域，其实就是邻域的邻域。 对于图神经网络，会有如下的卷积操作： 我们注意到，我们在本著作中所研究的异质性，是一种独特的网络概念来自异质性。在形式上，如果一个网络至少有两个，那么
图神经网络阅读(二十二)Rethinking Graph Regularization for Graph Neural Networks，AAAI2021
qq_36618444的博客
02-05 1156
本文的作者来自香港中文大学。 本文证明了图拉普拉斯正则化对现有GNN的好处很少甚至没有，并提出了一种简单但图拉普拉斯正则化变体，称为传播正则化(P-reg)，以提高现有GNN模型的性能。本文的模型十分简单，就是公式定理比较复杂，GNN的相关背景略。 Propagation-Regularization（P-Reg） 首先，模型对图输入使用两层GCN（表示成f1f_1f1​）的到输出Z∈RN×CZ∈R^{N×C}Z∈RN×C。之后对ZZZ继续进行操作得到Z′=A^ZZ'=\hat{A}ZZ′=A^Z，本质上
图神经网络（二十七）GeniePath: Graph Neural Networks with Adaptive Receptive Paths
码匀的博客
04-12 531
本文收录于AAAI2019，作者来自于蚂蚁金服，最近看到很多文章都引用了这篇paper，因此来扫盲。看完了这篇文章觉得文章的创新点还是非常足的，想法也很有深度，OK来到正文部分。本文的method基于一个目标：以往的图卷积都基于聚合固定阶数邻域信息来得到节点表示，那么在图中是否存在一条对节点表示最有贡献的路径，通过对多条这种路径上的节点信息进行有选择的聚合来获得最终的节点表示。可以想象成对一个节点的一阶邻域先做一个重要性评估，然后基于这个一阶邻域中重要的节点进行信息的传播。简单概括摘要：作者提出了一种可扩展
图神经网络论文阅读(十八) GeniePath: Graph Neural Networks with Adaptive Receptive Paths，AAAI2019
qq_36618444的博客
10-12 911
本文作者来自于Ant Financial Services Group和Georgia Institute of Technology。 本文提出一种可扩展的方法，用于学习定义在置换不变图数据上的神经网络的自适应接受域。在GeniePath中，我们提出了一种自适应路径层，它由两个互补的功能组成，分别用于广度和深度的探索，前者学习不同大小邻域的重要性，而后者则从不同跳点的邻域中提取和过滤聚合的信号。在几个数据集上的实验表明，本文的方法是相当有竞争力的，并在大型图表上产生最先进的结果。另一个显著的结果是，我们的
详解深度学习中的图神经网络GNN
金戈鐡馬
11-23 1438
前面我们说过节点，边，图的属性就是一堆向量，也就是前面说的表格数据，处理向量用MLP就可以了，当然你也可以用其他网络，如上图，节点，边，图各有一个MLP，所有点参数共享，也就是所有点共用一个MLP，所有边共用一个MLP。声音文本这类时序数据，用RNN类型的网络最适合，但如果你把一个句子当作一个1*N的矩阵，那就可以用CNN处理了，只不过，CNN需要堆叠多个层来抓取时序数据中的上下文信息，这在图像领域被称为感受野。GNN预测图中每一个节点的属性，例如，下图，预测社交网络中的成员是否是诈骗分子。
GraphTrans:Representing Long-Range Context for Graph Neural Networks with Global Attention
lgcnongchaoer的博客
04-05 1900
一、论文基础信息 论文题目：Representing Long-Range Context for Graph Neural Networks with Global Attention 论文来源：NIPS2021 论文作者：Zhanghao Wu, Paras Jain, Matthew A. Wright, Azalia Mirhoseini, Joseph E. Gonzalez, Ion Stoica 论文链接：点击跳转 作者团队：Joseph E. Gonzalez, Ion Stoica fr
Representing Long-Range Context for Graph Neural Networks with Global Attention
qq_33742416的博客
05-09 876
abstract 图神经网络是结构化数据集的强大架构。然而，目前的方法很难代表长距离的依赖关系。缩放GNN的深度或宽度不足以扩大感受野，因为更大的GNN会遇到优化不稳定的问题，如梯度消失和再现过平滑，而基于集合的方法还没有变得像计算机视觉那样普遍有用。在这项工作中，我们提出使用基于Transformer的自我关注来学习长距离的成对关系，用一种新颖的 "读出 "机制来获得全局图的嵌入。最近的计算机视觉结果发现位置不变的注意力在学习长距离关系方面表现良好，受此启发，我们的方法，我们称之为GraphTrans，在
异质图论文阅读
better_zoe_chang的博客
06-17 1260
1 《Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs》 1.1 Contributions （1）三个理论证明，最重要的证明了GCN处理异质图的缺陷； （2）提出了不同hop和不同iterations的特征拼接有助于提高模型准确性； 1.2 Benchmark synthematic dataset、Texas、Wisconsin、Actor、Squirrel、Chameleon、Co
图神经网络（GNN）简介
热门推荐
陨星落云的博客
10-06 1万+
资料来源：Manuchi，通过图片（CC0） Graph Neural Network（GNN）由于具有分析图形结构数据的能力而受到了广泛的关注。本文对Graph Neural Network进行了简要介绍。它涵盖了一些图论，以便于理解图和分析图时遇到的问题。然后介绍了不同形式的Graph神经网络及其原理。它还涵盖了GNN可以做什么以及GNN的一些应用。 图论 首先，我们需要知道什么是图。 图是一种由两个部分组成的数据结构：顶点*和edge*。它用作分析对象和实体之间成对关系的数学结构。通常，将图定义为G.
GNN图神经网络
weixin_46260468的博客
01-02 789
图神经网络（Graph Neural Network，GNN）是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称。
【GNN】Representing Long-Range Context for Graph Neural Networks with Global Attention
图挖掘领域，新晋砖家 ☞ 未来可期，欢迎和静静一起学习交流吖
07-17 359
NeurIPS 2021 || 图Transformer学习长距离上下文
图神经网络GNN简介
驽马十驾，功在不舍；锲而不舍，金石可镂。
10-09 1947
首先推荐一篇GNN综述性的文章：A Comprehensive Survey on Graph NeuralNetworks。pyg和dgl是比较火的两个图神经网络仓库。
few-shot learning with graph neural networks
06-06
Few-shot learning with graph neural networks（使用图神经网络进行少样本学习）是一种机器学习方法，旨在解决在数据集较小的情况下进行分类任务的问题。该方法使用图神经网络来学习数据之间的关系，并利用少量的样本来进行分类任务。这种方法可以在训练数据集较小的情况下，实现高准确率的分类任务。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

五月的echo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值