Directed degree corrected mixed membership model and estimating community memberships in directed networks
China University of Mining and Technology(中国矿业大学)
本文研究了有向网络中节点的社区成员关系的建模和估计问题,其中每一行(列)节点都与一个向量相关联,该向量决定了它在每行(列)社区中的成员关系。为了对这种有向网络进行建模,我们提出了考虑度异质性的有向度修正混合隶属度(DiDCMM)模型。在混合隶属度网络中,考虑度的异质性,DiDCMM在一般情况下是可识别的。基于群体邻接矩阵的左奇异向量的标准化版本中固有的锥结构和右奇异向量中固有的单纯形结构,我们构建了一个高效的算法DiMSC来推断行节点和列节点的社区成员资格向量。利用DiMSC的等价算法返回与DiMSC相同的估计和行方向奇异向量偏差的最新发展,通过给出DiDCMM下每个行节点和每个列节点的推断隶属度向量的误差界,证明了该算法在温和条件下是渐近相容的.该理论是由模拟研究补充。
2021-10-06 cs.LG stat.ML
On Generalized Degree Fairness in Graph Neural Networks
Singapore Management University(新加坡管理大学)
传统的图神经网络(GNN)经常面临公平性问题,这些问题可能源于其输入,包括节点属性和节点周围的邻居。虽然最近已经提出了几种方法来消除源于敏感属性的偏差,但它们忽略了GNN的其他关键输入,即节点的邻居,这可能会引入偏差,因为GNN依赖于邻域结构来生成节点表示。特别是,节点之间不同的邻域结构,表现在截然不同的节点度上,导致节点的不同行为和有偏见的结果。在本文中,我们首先定义和推广的度偏差使用一个广义的定义节点度的表现和量化不同的多跳结构周围不同的节点。为了解决节点分类中的偏差,我们提出了一种新的GNN框架,称为广义度公平中心图神经网络(Deg-FairGNN)。具体而言,在每个GNN层中,我们采用可学习的去偏置函数来生成去偏置上下文,该上下文调制逐层邻域聚合以消除源自节点之间不同程度的程度偏差。在三个基准数据集上的大量实验证明了我们的模型在准确性和公平性指标上的有效性。
2023-02-20 cs.LG cs.SI
Node Duplication Improves Cold-start Link Prediction
University of Washington(华盛顿大学);Snap Inc.(Snap公司);University of Notre Dame(诺特丹大学);University of California, Riverside(加州大学河滨分校)
针对图神经网络在链路预测中低度节点(冷启动场景)性能不佳的问题,提出即插即用的NodeDup节点复制增强技术,通过多视图视角提升性能,且不损害高度节点表现,实验验证了显著效果。
2025-08-01 cs.LG cs.SI
Prioritized Propagation in Graph Neural Networks
East China Normal University(华东师范大学);Microsoft Research Asia(微软亚洲研究院)
针对现有GNN节点级传播方法忽略节点优先级的问题,提出可集成多数GNN的PPro框架,通过互增强机制和交替优化学习带优先级的节点传播,在8个基准上优于11种SOTA方法。
2023-11-06 cs.LG
FairACE: Achieving Degree Fairness in Graph Neural Networks via Contrastive and Adversarial Group-Balanced Training
College of Liberal Arts and Sciences, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校文理学院)
针对图神经网络中度偏差导致不同度节点预测性能不平等问题,提出FairACE框架,结合非对称对比学习与对抗训练,通过组平衡公平损失和AD指标,提升度公平性且保持精度。
2025-04-15 cs.AI cs.LG cs.SI
The joint node degree distribution in the Erdős-Rényi network
University of Leeds(利兹大学);King Saud University(沙特国王大学)
Erdens-Rényi随机图是节点度分布的最简单模型,也是研究最广泛的模型之一。在该模型中,以概率$p$随机选择并均匀连接一对$n$顶点,从而使给定顶点的度服从二项分布.如果顶点数很大,则可以使用中心极限定理通过法线来近似二项式,这在$\min (np, n(1-p)) > 5$时通常是允许的。这对于每个节点都是独立的。然而,由于图中节点的度不是独立的,本文的目的是检验Erdens-Rényi图中每个节点的度是否服从多元正态分布MVN.由于度之间的依赖性,针对二项式是整个节点集的分布的假设的卡方拟合优度检验被拒绝。在测试MVN之前,我们证明了图中任何一对节点的度之间的协方差和相关性分别是$p(1-p)$和$1/(n-1)$。我们测试MVN考虑两个假设:独立和依赖度,我们得到我们的结果的基础上拒绝统计卡方,$p$值的安德森-达林测试,和CDF比较的百分比。当$n$和$p$的值较大时,我们总是获得多元正态分布的良好拟合,而当$n$或$p$非常小时,拟合非常差。当$np \geq 10$ .我们还比较了MVN分布中$p$的最大似然估计,其中我们假设独立和依赖。使用偏差、方差和均方误差评估估计量。
2023-03-09 cs.LG cs.SI stat.CO
When Edge Independence Fails: Joint Graph Diffusion with Latent Sociability Priors
CNRS(法国国家科学研究中心);IRISA(法国国家信息与自动化研究所雷恩分所);INRIA(法国国家信息与自动化研究所)
针对无节点特征图生成中边独立性导致的去噪困难问题,引入潜在社交性先验与联合扩散过程,在无复杂编码器的情况下提升图分布捕获精度。
2026-10-12 cs.AI cs.LG
Mitigating Degree Biases in Message Passing Mechanism by Utilizing Community Structures
The Catholic University of Korea(韩国天主教大学)
本文提出社区感知图变换器(CGT),通过可学习增强和自监督学习利用社区结构,生成社区内边以缓解消息传递中的节点度偏差,在多个基准上超越现有方法。
2023-12-28 cs.AI cs.LG cs.SI
Local Graph Embeddings Based on Neighbors Degree Frequency of Nodes
我们提出了一种局部到全局的策略,用于图机器学习和网络分析,通过定义节点的某些局部特征和向量表示,然后使用它们通过深度神经网络学习全局定义的度量和节点的属性。通过呼吸优先搜索扩展了节点的度的概念,定义了一个能够揭示节点重要性的{ \bf参数中心性函数}的一般族。我们引入{ \bf邻居度频率(NDF)},作为一个本地定义的嵌入节点的无向图到欧氏空间。这就产生了一个矢量化的节点标记,它编码的结构,局部邻域的节点,并可用于图同构测试。我们为我们的构造增加了灵活性,以便它也可以处理动态图。然后,使用广度优先搜索将NDF向量表示扩展为两个不同的节点矩阵表示,其中包含关于节点邻域的高阶信息。我们的矩阵表示的节点为我们提供了一种新的方式可视化的形状的一个节点的邻域。此外,我们使用这些矩阵表示来获得特征向量,这些特征向量适用于典型的深度学习算法。为了证明这些节点嵌入实际上包含了关于节点的一些信息,在一系列示例中,我们展示了可以通过对这些局部特征应用深度学习来学习PageRank和接近中心性。我们的构造足够灵活,可以处理不断变化的图形。最后,我们解释了如何适应我们的结构有向图。
2022-07-30 cs.LG cs.SI
Degree-based stratification of nodes in Graph Neural Networks
Eskisehir Osmangazi University(埃斯基谢希尔奥斯曼加齐大学)
针对图神经网络缺乏良好缩放特性的问题,提出基于节点度的分层方法,为高低度节点分别学习权重矩阵,在多数据集和GNN方法上提升性能,且验证了性能提升并非仅来自模型容量增加。
2023-12-16 cs.LG
Theoretical and Empirical Insights into the Origins of Degree Bias in Graph Neural Networks
University of California, Los Angeles(加州大学洛杉矶分校);University of Rochester(罗切斯特大学)
该研究针对图神经网络存在的度偏差问题,通过理论分析与8个真实网络实验,揭示了偏差的多方面起源,统一了部分过往假设并质疑了部分假设,提出了缓解偏差的路线图。
2024-10-31 cs.LG cs.SI
Degree-Based Random Walk Approach for Graph Embedding
Kirkuk University(基尔库克大学);Ankara University(安卡拉大学)
图嵌入是用数值向量表示局部和全局邻域信息的一种方法,是对现实世界中的各种系统进行数学建模的重要组成部分。在嵌入算法中,基于随机游走的算法已被证明是非常成功的。这些算法通过创建具有重新定义的步数的大量随机游走来收集信息。创建随机游走是嵌入过程中要求最高的部分。计算需求随着网络的规模而增加。此外,对于现实世界的网络,考虑到所有节点都在同一个基础上,大量的低度节点造成了数据不平衡的问题。在这项工作中,提出了一种计算量小,节点连通性感知的均匀采样方法。在所提出的方法中,随机游动的数量与节点的度成比例地创建。当算法应用于大型图时,所提出的算法的优点变得更加增强。使用两个网络,即CORA和CiteSeer的比较研究。与固定行走次数的情况相比,该方法在节点分类和链接预测计算达到相同精度的同时,所需的计算量减少了50%。
2022-07-05 cs.AI cs.LG cs.SI
Learning Posterior Predictive Distributions for Node Classification from Synthetic Graph Priors
KAIST(韩国科学技术院)
本文提出NodePFN,通过学习后验预测分布实现对任意图的通用节点分类,无需图特定训练,利用合成图先验生成多样化的图结构和特征-标签关系。
2026-04-21 cs.LG
Boundary Degree as a Node-level Feature for Epidemic Scenario Identification in Agent-based Cascade Simulations
Biocomplexity Institute(生物复杂性研究所)
提出边界度作为节点级级联特征,通过消融实验证明其单独提升场景识别准确率19%,并理论证明无边界或边信息时某些场景不可区分。
2026-07-07 cs.LG cs.SI
RawlsGCN: Towards Rawlsian Difference Principle on Graph Convolutional Network
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Facebook AI(脸书人工智能);University of Rochester(罗切斯特大学)
图卷积网络在许多实际应用中起着举足轻重的作用。尽管GCN部署取得了成功,但GCN经常表现出节点度的性能差异,导致低度节点的预测准确性较差。本文从罗尔斯的差异原则出发,提出了缓解GCN中学位相关绩效差异的问题。在数学上,我们的目标是平衡低度节点和高度节点之间的效用,同时最小化特定于任务的损失。具体来说,我们揭示了这种程度相关的不公平的根本原因,通过分析GCN的权重矩阵的梯度。在权重矩阵梯度的指导下,我们进一步提出了一种预处理方法RawlsGCN-Graph和一种处理中方法RawlsGCN-Grad,该方法在不修改GCN结构或引入额外参数的情况下,在低度节点上实现了公平的预测精度。在真实世界的图上进行的大量实验表明,我们提出的RawlsGCN方法在显着减少度相关的偏差,同时保持可比的整体性能的有效性。
2022-02-28 cs.LG cs.SI
Norm Augmented Graph AutoEncoders for Link Prediction
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学现代软件技术国家重点实验室);Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);School of Electrical Engineering and Computer Science, The University of Queensland(昆士兰大学电气工程与计算机科学学院)
针对GAEs在链路预测中受长尾节点度分布影响、低度数节点性能差的问题,提出通过为低度数节点引入额外自环增强其嵌入范数的策略,可无缝集成现有GAE方法且计算成本低,实验验证了其优异性。
2025-02-09 cs.LG
Cascading Failures in Smart Grids under Random, Targeted and Adaptive Attacks
UNSW Sydney(悉尼新南威尔士大学);Data61, CSIRO(澳大利亚联邦科学与工业研究组织数据61所)
我们研究智能电网中的级联故障,攻击者有选择地妥协的节点与概率成正比的程度,介数,或聚类系数。这意味着具有高度、介数或聚类系数的节点受到攻击的概率更高。我们通过数学和实验分析了不同类型的有针对性的攻击下网络的巨组件的大小,并将结果与随机攻击下的相应大小进行了比较。我们表明,网络瓦解更快的有针对性的攻击相比,随机攻击。对一小部分高度节点的有针对性的攻击会分解一个或两个网络,而这两个网络都包含对同一部分节点进行随机攻击的巨大组件。一个重要的观察结果是,如果攻击者基于节点的介数而不是基于度或聚类系数来损害节点,则攻击者具有优势。接下来我们研究自适应攻击,其中攻击者在回合中妥协节点。在这里,一些节点在每一轮中基于它们的度、介数或聚类系数而被折衷,而不是将所有节点一起折衷。在这种情况下,度、介数或聚类系数在每轮开始之前计算,而不是在开始时计算。我们的实验表明,对手有一个优势,在这种自适应的方法,相比,同时损害相同数量的节点。
2022-06-25 cs.DM cs.LG cs.NI
Mediastinal lymph nodes segmentation using 3D convolutional neural network ensembles and anatomical priors guiding
SINTEF(挪威科技工业研究院);NTNU(挪威科技大学);St. Olavs hospital(圣奥拉夫斯医院)
随着肺癌的发展,必须评估肿大和潜在恶性淋巴结的存在,以正确估计疾病进展并选择最佳治疗策略。根据临床指南,短轴径和纵隔位置的估计是正确诊断的关键。因此,准确和自动分割的方法是决定性的定量描述淋巴结。在这项研究中,研究了3D卷积神经网络的使用,无论是通过板状方案还是利用下采样的整个体积。此外,还考虑了简单集成策略的潜在影响。由于淋巴结具有与附近解剖结构相似的衰减值,因此我们建议使用其他器官的知识作为先验信息来指导分割任务。为了评估分割和实例检测性能,在120个对比增强CT体积的数据集上遵循5倍交叉验证策略。对于1178个短轴直径为$\geq10$ mm的淋巴结,我们的最佳方法达到了92%的患者召回率,每例患者的假阳性率为5,分割重叠率为80.5%。该方法在所有站点上都表现得同样好。融合板明智的和一个完整的体积的方法内的合奏方案产生的最佳性能。解剖学先验指导策略是有希望的,但似乎需要比四个器官更大的集合来产生最佳益处。考虑到淋巴结可以表现出的广泛表达(即,形状、位置和衰减)和造影剂摄取变化。
2021-02-11 cs.CV cs.LG eess.IV