vector的博客

在训练图神经网络的时候，经常会遇到求某一个graph上的。问题，本篇文章介绍如何用dgl来求解。

目前有很多的博客记录如何构图，但是少有从文件中读取数据进行构图的，本篇博客记录如何用读取外部文件构造一个同质图。

导致训练的图上形成了很多孤立的结点，以及孤立的簇（如下图所示）。有些时候，我们还会采取剪枝策略删除一些噪声结点，随着剪枝策略的引入，这种小的簇以及孤立的结点会大规模增加，导致训练速度变慢，甚至影响分类效果，因此需要考虑将图上的这些孤立簇和结点进行删除。最近在科研中遇到了这样一个问题：在构建了一个graph之后，由于实际数据的局限性，本篇博客分享 删除图上的孤立节点、删除孤立的簇（团）的代码实现。

域名系统(DNS)被网络犯罪分子广泛滥用，成为其活动的重要基础设施。因此，恶意域名检测是打击和减轻网络犯罪的一项重要任务。现有的研究通常通过黑名单或手工制作的本地域特征来识别恶意域。然而，黑名单和基于专家知识的特征可以通过精心策划的技术被攻击者绕过，这需要新的检测方法。本文提出了一种智能检测恶意域名的新系统DyDom。该系统的核心思想是对域名的行为及其时间变化进行时空分析，以捕获它们之间的深层关联。在DyDom中，我们首先分析域、客户端之间的交互行为并解析ip，然后生成离散时间动态图来模拟域的时间变化。进一

在巨大利润的驱动下，贩毒犯罪(又称非法毒品交易)与现代技术共同发展，如Instagram等社交媒体成为了一个流行的营销和销售非法毒品的平台。网络贩毒活动灵活，需要采用新技术来有效发现、破坏和摧毁非法毒品交易。在本文中，我们提出了一个名为MetaHG的整体框架来自动检测社交媒体(即Instagram)上的非法毒贩，解决了以下两个新的挑战：(1)不同于现有的只专注于分析帖子内容的工作，MetaHG能够联合建模社交媒体上的多模态内容和关系结构信息来检测非法毒贩; (2)此外，通过提出的元学习技术，MetaHG解决

主流的监督图神经网络在标签稀疏情况下存在潜在的性能退化。虽然越来越多的人关注小样本学习方法，在标签数据稀缺的情况下学习有效的图嵌入，但现有的大多数工作都是研究同质图，而忽略了异构图(HG)的普遍性。为此，我们提出解决HG上的小样本学习问题，并开发一个新的异构图元学习模型(即HG- meta)。对于图的异构性，HG-Meta首先构建了一个图编码器来聚合来自多个语义上下文(由元路径生成)的异构邻居信息。其次，HG- meta利用任务特征缩放模块和基于度的任务注意模块来处理HG上元任务采样过程中产生的元任务差异，

参考：HG-Meta: Graph Meta-learning over Heterogeneous Graphs。

abnormality valuator 的作用是将嵌入映射为一个标量分数，在代码中没有作为一个单独的模块，而是在调用模型时out_feature设置为1来实现：model = SGC(target_feature.shape[1], 1).to(device)源码中提供的数据是5个网络（4个辅助网络和1个目标网络），下面贴上data.py文件中相关代码的注释，也许可以帮助读者更快理解~代码中关于SGC模型的实现只是一个线性层，这看上去是很不合理的。sample_anomaly函数在run.py中被调用。.

元路径P被定义为结点类型V1和VL+1之间的复合关系

参考：https://blog.csdn.net/A_A666/article/details/108366456https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9437852&tag=1一、异质图与同质图概念同质(Homogeneity)图：同质(Homogeneity)图指的是图中的节点类型和关系类型都仅有一种。异质(heterogeneous)图：指的是图中的节点类型或关系类型多于一种。数学描述.

这篇博客简单介绍了PyG以及Core数据集，并用一个简单的两层GCN实现了Core分类。

本篇博客为中国科学院计算技术研究所 沈华伟老师 Convolutional Neural Networks 课程笔记，非常详细，适合入门。老师从CNN开始引入，围绕如何在graph上解决卷积操作，逐步介绍了图卷积的谱方法以及空间方法的发展过程，进而回答了谱方法与空间方法的关系。...

专栏介绍：本栏目为 “2021秋季中国科学院大学胡玥老师的自然语言处理” 课程记录，不仅仅是课程笔记噢～ 如果感兴趣的话，就和我一起入门NLP吧🥰目录一、概述GNN引入GNN结构图卷积神经网络GCN1.频域卷积神经网络Spectral-based GCN2.空域卷积神经网络Spatial-based GCN二、Spatial-based GCN ⭐GCN结构卷积步骤Basic GNN VS GCN一、概述GNN引入在之前学习的深度学习模型中，他们的输入都是在欧式空间定义的图片或者文字，图神经网.

本篇博客要分享的是使用「**图神经网络**」 解决「**小样本**」 分类问题的5个模型，每个模型都分享了单独的博客笔记，并从这些模型中总结出实现 **图神经网络小样本网络** 需要从哪几个方面考虑，以及后续学习路线应该如何安排。

摘要：图表示学习由于其卓越的性能在许多实际应用中引起了极大的关注。然而，针对特定任务的监督图表示学习模型往往存在标签稀疏性问题，因为对数据进行标签总是耗时耗资源。基于此，人们提出了图上的小样本学习(FSLG)，它结合了图表示学习和小样本学习的优点，以解决在面对有限的标注数据挑战时性能下降的问题。最近有很多关于FSLG的研究。在本文中，我们以一系列方法和应用的形式全面地综述了这些工作。具体来说，我们首先介绍了FSLG的挑战和基础，然后根据节点、边和图这三种不同粒度层次的图挖掘任务，对FSLG现有的工作进行了分

本文提出了一种新的图元学习框架：元传播网络(Meta- PN)，用于解决小样本半监督节点分类问题。该框架由两个部分构成 1. Adaptive Label Propagator (Meta Learner)：利用目标模型的反馈来调整其传播策略，以在未标记节点上推断出准确的伪标签。2. Feature-label Transformer (Target Model)： 吸收伪标记节点的结构和特征知识预测标签，从而解决了小样本半监督学习背后的挑战。

本文首先提出了一种基于层次注意的异构图神经网络，包括节点级注意力和语义级注意力。具体来说，节点级的注意力旨在学习节点与其基于元路径的邻居之间的重要性，而语义级的注意力能够学习不同元路径的重要性。通过从节点级和语义级注意中学习到的重要性，可以充分考虑节点和元路径的重要性。然后，该模型通过基于元路径的邻居的分层聚合特征来生成节点嵌入。在三个真实世界的异构图上的广泛实验结果不仅显示了我们所提出的模型优于现有技术的性能，而且还表明了它对图分析具有潜在的良好解释性。

本文设计了一种基于异构图卷积网络方法的HGDom。首先，分析了域的特征以及域、客户端和IP地址之间的复杂关系，引入了一个异构信息网络(HIN)来建模DNS场景。然后，提出了一种新的表示方法MAGCN。它采用基于元路径的注意机制，可以同时处理HIN中的节点特征和图结构。

本文设计了一个智能恶意域名检测系统DeepDom。首先将DNS场景描述为一个异质图(HIN)，然后使用一种新的图卷积网络(GCN)方法SHetGCN来归纳分类HIN中的域节点。SHetGCN通过基于元路径的短随机游动引导卷积操作，可以与结构信息共同处理节点特征，支持归纳节点嵌入。实验结果表明，我们的方法优于其他最先进的技术。

本文提出了一种基于域名关系特征、PDNS特征和域名字符特征的恶意域检测方法。在被动DNS数据中建立域名关联图，并通过改进的deepwalk图嵌入算法提取域关系特征。此外，还从PDNS中挖掘了更多以前工作中没有提到的特性。这些PDNS特征可以提高分类器的有效性。最后，结合域字符特征、PDNS特征和关系特征作为特征集采用随机树进行分类。

摘要：本文提出了一种新的混合GNN (HGNN)模型，该模型由两个GNN组成，一个PGNN和一个IGNN。IGNN通过实例级消息传递专注于异常值识别和中和（离群值）。PGNN在类原型级操作，以确保不同的类在GNN适应的嵌入空间中可以很好地分离（类间重叠）其他：本文的GNN与之前的GNN之间的关键区别是本文的GNN不包含标签信息。

将异质图转化为同质图，注意力机制与图神经网络聚合传播上下文信息，最终得到一个用于分类的结点表示。

本文提出了一种新的图神经网络系列：图偏差网络(**GDN**)，它可以利用少量标记的异常来加强网络中异常节点和正常节点之间统计上的显著偏差；为所提出的GDN配置一种新的跨网络元学习算法，通过从多个辅助网络传输元知识来实现少镜头网络异常检测。广泛的评估证明了所提出的方法在少量或甚至一次网络异常检测的有效性。......

本篇文章研究了小样本、半监督和主动学习的图神经网络，并在Omniglot和Mini-Imagenet数据集上进行了实验。该模型 首先使用已训练好的**CNN**模型得到相似图中每一个图像的嵌入特征，**相似性度量**模块学习如何将集合中的嵌入特征组成一个图，**GNN**模块传播已知标签的节点特征到未知标签的节点，训练模型使得到的节点特征与分类器相连后损失最小。

用CNN学习节点特征，用CNN+自注意力机制学习边特征（局部自注意机制学习了HSI数据的完整关系图结构），节点标签通过GCN在图上以半监督的方式从支持传播到查询集，适合于小样本学习。

提出了一个小样本文本分类模型：EGNN-Proto。利用预训练语言模型BERT学习文本嵌入，并通过edge-labeling graph neural network改进了prototypical network，以更好地刻画和利用文本之间的关系，从而在小样本的文本分类任务中获得更好的性能。

本论文清单由知乎作者白小鱼于21年3月31日整理而成，最后更新时间为3月31日

用GNN来实现小样本分类，运用元学习的策略来训练模型。用到的gnn模型是SGC 和 GCN ，没有对gnn模型任何创新性的改造，但是将gnn上的元学习实验过程描述得很清楚，并且提供了各种baseline的代码，对gnn+小样本的实验有参考价值，总体而言比较基础。