-
题名基于层次对比学习的半监督节点分类算法
- 1
-
-
作者
李雅琪
王杰
王锋
梁吉业
-
机构
山西大学计算机与信息技术学院
太原科技大学计算机科学与技术学院
-
出处
《模式识别与人工智能》
EI
CSCD
北大核心
2023年第8期712-720,共9页
-
基金
国家自然科学基金项目(No.62276158,U21A20473)资助。
-
文摘
大多数用于半监督节点分类的图对比学习方法需要通过繁琐的图数据增强方式得到两个视图,而且这些数据增强方式会不可避免地改变图语义信息,限制现有图对比学习方法的效率和适用性.为此,文中提出基于层次对比学习的半监督节点分类算法.算法无需进行图数据增强,而是将图神经网络不同层次的表示作为对比的视图进行学习,从而缓解繁琐的搜索以及语义的破坏.此外,设计一种半监督对比损失,有效利用少量的标记信息和大量的无标记信息以提供丰富的监督信号和改进节点的表示.最后,在四个基准数据集上对节点分类任务的实验验证文中算法的有效性.
-
关键词
半监督节点分类
图对比学习
图数据增强
半监督对比损失
图神经网络
-
Keywords
Semi-Supervised Node Classification
Graph Contrastive Learning
Graph Data Augmentation
Semi-Supervised Contrastive Loss
Graph Neural Network
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名从拓扑的角度缓解图卷积网络的过平滑问题
- 2
-
-
作者
柏玉
宋敏
刘士虎
唐轶
杨昔阳
-
机构
云南民族大学数学与计算机科学学院
泉州师范学院数学与计算机科学学院
-
出处
《云南民族大学学报(自然科学版)》
CAS
2022年第3期280-287,共8页
-
基金
国家自然科学基金(61966039,61866040)
全国高等院校计算机基础教育研究会计算机基础教育教学研究项目(2020-AFCEC-461)
福建省自然科学基金(2021J01001)。
-
文摘
运用平滑度度量指标,定量分析了深层GCNs存在的过平滑问题,验证表明:过平滑是造成深层GCNs在半监督节点分类任务上的性能下降的主要原因.从拓扑学的角度,提出了一种DropEdge技术和混合阶传播相结合的方法,DropEdge技术使节点连接更加稀疏,而混合阶传播使模型包含更多的局部信息,从而一定程度上可避免GCNs加深时存在的过平滑问题.实验表明,方法可缓解深层GCNs存在的过平滑问题,使得半监督节点分类的精度更高.
-
关键词
图卷积网络
过平滑
半监督节点分类
DropEdge
混合阶传播
-
Keywords
graph convolutional networks
over-smoothness
semi-supervised node classification
DropEdge
mixed-order propagation
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名面向鲁棒图结构防御的过参数化图神经网络
- 3
-
-
作者
初旭
马辛宇
林阳
王鑫
王亚沙
朱文武
梅宏
-
机构
清华大学计算机科学与技术系
-
出处
《软件学报》
EI
2024年第8期3878-3896,共19页
-
基金
国家科技攻关计划(2020AAA0106300)
国家自然科学基金(62250008,62222209,62102222,61936011)
北京信息科学与技术国家研究中心基金(BNR2023RC01003)。
-
文摘
图数据在现实应用中普遍存在,图神经网络(GNN)被广泛应用于分析图数据,然而GNN的性能会被图结构上的对抗攻击剧烈影响.应对图结构上的对抗攻击,现有的防御方法一般基于图内聚先验进行低秩图结构重构.但是现有的图结构对抗防御方法无法自适应秩真值进行低秩图结构重构,同时低秩图结构与下游任务语义存在错配.为了解决以上问题,基于过参数化的隐式正则效应提出过参数化图神经网络(OPGNN)方法,并形式化证明所提方法可以自适应求解低秩图结构,同时证明节点深层表征上的过参数化残差链接可以有效解决语义错配.在真实数据集上的实验结果表明,OPGNN方法相对于现有基线方法具有更好的鲁棒性,同时,OPGNN方法框架在不同的图神经网络骨干上如GCN、APPNP和GPRGNN上显著有效.
-
关键词
图节点半监督分类
图结构对抗防御
过参数化
隐式正则化
图神经网络
-
Keywords
semi-supervised classification of graph nodes
graph structure adversarial defense
over-parameterization
implicit regularization
graph neural network(GNN)
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-