GNN 2021(八) Heterogeneous Graph Structure Learning for Graph Neural Networks，AAAI

最新推荐文章于 2024-09-12 16:55:09 发布
最新推荐文章于 2024-09-12 16:55:09 发布
阅读量1.8k 收藏 6
点赞数 1
分类专栏： 图神经网络2021 文章标签： 图神经网络
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/116026117
版权
本文提出了一种名为HGSL的新框架，用于学习图神经网络（GNN）中的最优异构图结构。在异构图的背景下，由于现实世界图的噪声和不完整性，学习图结构而非仅依赖原始结构至关重要。HGSL通过联合学习图结构和GNN参数，生成并融合特征相似图、特征传播图和语义图，以捕捉复杂的异构交互。实验结果显示，这种方法在多种数据集上表现出优越性能。
摘要由CSDN通过智能技术生成

在这里插入图片描述
北邮石川老师团队的论文，又是有关异构图的。
本文指出，异构图在现实中不可避免地是有噪声的或不完整的，因此，对于hgnn来说，学习异构图结构而不是仅仅依赖原始图结构是至关重要的。本文首次尝试学习最优的异构图结构用于hgnn，提出了一个新的框架HGSL，该框架将异构图结构学习和GNN参数学习联合起来进行分类，在每个生成的关系子图中，HGSL不仅通过生成特征相似图来考虑特征相似性，还通过生成特征传播图和语义图来考虑特征和语义之间复杂的异构交互。然后，将这些图融合成一个学习过的异构图，并与GNN一起朝着分类目标进行优化。本文的重点就是三种不同的图，即特征相似图、特征传播图和语义图的学习。

Preliminaries

首先，看本文用到的符号定义。

  1. Definition 1. Heterogeneous Graph 异构图被定义为 G
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
【HGNN】AAAI 2022 RoHe Robust Heterogeneous Graph Neural Networks against Adversarial Attacks
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
08-17 460
对抗攻击鲁棒的异质图神经网络
A Comprehensive Survey on Graph Neural Networks(图神经网络综合研究)
weixin_41697507的博客
07-06 7481
A Comprehensive Survey on Graph Neural Networks Zonghan Wu, Shirui Pan, Member, IEEE, Fengwen Chen, Guodong Long, Chengqi Zhang, Senior Member, IEEE, Philip S. Yu, Fellow, IEEE Abstract—Deep learning ...
Heterogeneous Graph Neural Network（异质图神经网络）
01-20
Heterogeneous Information Network 传统的同构图（Homogeneous Graph）中只存在一种类型的节点和边，当图中的节点和边存在多种类型和各种复杂的关系时，再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构”的关键，即无法探索到不同节点之间，监督标签之间的联系，而这又是十分重要的。 如上图著名的异构例子，学术网络图，它包含“论文”paper、“作者”author、“会议”venue和“机构”org等节点类
Heterogeneous Graph Structure Learning for Graph Neural Networks （HGSL）论文笔记
qq_39329902的博客
05-25 2132
目标：异质网络（子图）的嵌入,用于节点分类任务 方法：根据边（R）类型的的不同分解成多个子网络，对每个子网络使用GCN，进行联合优化，目标为是最小化交叉熵（目标是节点分类） 具体流程如图： 一、得到关系r1的子图 对于一类关系 r1 ，指的是连接两个节点的边，将这类关系的节点从异质图上挖下来构成一个子图。该子图的邻接矩阵为Ar1。 另外还融入了节点属性信息和节点间的语义信息。 二、得到融合节点属性的子图 对于一个关系 r1 ，节点的属性信息（文本、图像）先变成一个向量（如词嵌入，图像CN.
Graph Structure Learning for Robust GNNs
最新发布
weixin_74181752的博客
09-12 865
关于图结构学习在增强图神经网络在对抗环境下的鲁棒性。提出了pro-GNN的新框架。
【论文解读|AAAI2021】HGSL - Heterogeneous Graph Structure Learning for Graph Neural Networks 图神经网络的异构图结构学习
qq_36291847的博客
04-22 8698
文章目录摘要二级目录三级目录 论文链接： 代码链接： 作者：北京邮电大学等人 摘要 异构图神经网络近年来受到越来越多的关注，并在许多任务中取得了优异的性能。现有人类神经网络的成功依赖于一个基本假设，即原始的异构图结构是可靠的。然而，这种假设通常是不现实的，因为现实中的异构图不可避免地会有噪声或不完整。因此，学习异构图结构对于人类神经网络而言至关重要，而不是仅仅依赖原始图结构。鉴于此，我们首次尝试为神经网络学习一个最优的异构图结构，并提出了一个新的框架HGSL，它联合执行异构图结构学习和GNN参数学习进行分类
Heterogeneous Groups（heterogeneous GNNs）
weixin_65191557的博客
09-12 374
在本章中，我们通过三个步骤来推广GNN层——消息、聚合和更新。在本章的其余部分，我们扩展了这个框架来考虑由不同类型的节点和边组成的异构网络。这种特殊的图形允许我们表示实体之间的各种关系，这比单一类型的连接更有洞察力。此外，我们还看到了如何将同构GNN转换为异构GNN，这要归功于PyTorch Geometric。我们描述了异构GAT中的不同层，这些层将节点对作为输入来建模它们之间的关系。最后，我们使用HAN实现了一个异构特定架构，并比较了两种技术在DBLP数据集上的结果。这证明了开发这种网络中所代表的异构信
(AAAI2020 Yao) Graph Few-shot Learning via knowledge transfer
「 虚幻私塾」
05-15 523
🚀 优质资源分享 🚀 学习路线指引（点击解锁） 知识定位 人群定位 🧡 Python实战微信订餐小程序 🧡 进阶级 本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。 💛Python量化交易实战💛 入门级 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统 22-5-13 seminar上和大家分享了这篇文章，重新整理一下在博客里备个份 [0]Graph few-shot learning via knowledge tr
CIKM 2021 | 基于池化结构搜索的图分类
Paper weekly
11-08 2706
论文标题：Pooling Architecture Search for Graph Classification论文地址：https://arxiv.org/abs/2108.10587...
The Learning route of GNN
SimonChen
10-15 521
The Learning route of GNN CHEN JIE Note：图神经网络的相关实战教程及其缺乏，如有看到相关内容，可以添加到群在线文档之中。 图神经网络基础知识 台大李宏毅的GNN课（很通俗易懂，较为推荐） 链接：(1/2) https://www.youtube.com/watch?v=eybCCtNKwzA&ab_channel=Hung-yiLee ​ (2/2)https://www.youtube.com/watch?v=M9ht8vsVEw8&t=1
ACL2020 Heterogeneous Graph Neural Networks for Extractive Document Summarization
07-24 2004
Heterogeneous Graph Neural Networks for Extractive Document Summarization异构图神经网络提取文档摘要摘要1 引言2 相关工作3 Methodology3.1 Document as a Heterogeneous Graph3.2 Graph Initializers3.3 Heterogeneous Graph Layer3.4 Sentence Selector3.5 Multi-document Summarization4 Ex
（二十六）【2021 WWW】Knowledge-Preserving Incremental Social Event Detection via Heterogeneous GNNs
qq_35222729的博客
09-27 732
题目： Knowledge-Preserving Incremental Social Event Detection via Heterogeneous GNNs 中文题目： 基于异构gnn的知识保持增量社会事件检测 学习目标 学习怎么知识增强的？ 学习怎么处理时间等多个因素的？ 学习怎么构建子图的？ 学习怎么对新类型有鲁棒性的？ ABSTRACT Social events: 就是比较大型的新闻，引起了人们的关注！ 检测和分析这些事件有助于提取有价值的洞见。 在危机管理、产品推荐和决策等领域有很多应用.
【KDD 2019】Heterogeneous Graph Neural Network
u011754184的博客
07-21 921
背景 Representation learning in heterogeneous graphs aims to pursuea meaningful vector representation for each node so as to facilitate downstream applications such as link prediction, personalized recommendation, node classification, etc. 异构图表示学习的目的是为每个..
【每日一读】Pro-GNN：Graph Structure Learning for Robust Graph Neural Networks
海到无边天作岸 山登绝顶我为峰
09-25 2080
Hello！ଘ(੭ˊᵕˋ)੭昵称：海轰标签：程序猿｜C++选手｜学生简介：因C语言结识编程，随后转入计算机专业，获得过国家奖学金，有幸在竞赛中拿过一些国奖、省奖…已保研学习经验：扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语！唯有努力💪【每日一读】每天浅读一篇论文，了解专业前沿知识，培养阅读习惯（阅读记录 仅供参考）原文链接：https://dl.acm.org/doi/10.1145/3394486.3403049。
GNN algorithm(4): HAN, Heterogeneous Graph Attention Network
天狼啸月1990的博客
01-03 1077
solution: HAN(Heterogeneous graph attention network) node-level attention: learn the importance between a node and its meta-path based neighbors semantic-level attention: is able to learn the importance of different meta-paths.
Graph Neural Networks: Graph Structure Learning
stn54999的博客
03-28 899
由于图神经网络（GNNs）在建模图结构数据方面具有出色的表达能力，GNNs在自然语言处理、计算机视觉、推荐系统、药物发现等各种应用中都取得了巨大成功，GNN的巨大成功依赖于图结构数据的质量和可用性，这些数据可能是有噪声的或不可用的。图结构学习问题旨在从数据中发现有用的图结构，这有助于解决上述问题。本章试图通过传统机器学习和GNN的视角，全面介绍图结构学习。阅读本章后，读者将了解如何从不同的角度、不同的目的、通过不同的技术来解决这个问题，以及它与GNN相结合时的巨大潜力。
北邮计算机学院石川,石川
weixin_39861918的博客
07-03 1771
Xunqiang Jiang, Tianrui Jia, Yuan Fang,Chuan Shi,Zhe Lin,Hui Wang.Pre-training on Large-Scale Heterogeneous Graph. KDD 2021.[pdf][code & data]Xiao Wang, Nian Liu, Hui Han,Chuan Shi.Self-supervised...
图结构表示学习论文合集（GSL)
m0_37525990的博客
08-01 1048
图结构表示学习文章合集
RED-GNN，即Relation Extraction and Distribution Learning with Graph Neural Networks
04-30
RED-GNN是一种基于图神经网络的关系抽取方法，能够自动地从文本数据中识别实体之间的语义关系。RED-GNN的核心思想是将文本数据表示成一个图，其中实体作为节点，实体之间的关系作为边，然后采用图神经网络对这个图进行处理，最终得到实体之间的关系。与传统的关系抽取方法相比，RED-GNN不需要手动设计特征，能够自适应地学习实体之间的语义关系，并且在多个数据集上都取得了优秀的效果。
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