E2EG: End-to-End Node Classification Using Graph Topology and Text-based Node Attributes
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Helin Data(赫林数据公司);SocialDatabase(社会数据库公司);University of Amsterdam(阿姆斯特丹大学)
本文提出端到端节点分类模型 E2EG,融合图拓扑与文本属性,通过主辅分类目标减少两阶段流程,在 ogbn-arxiv 和 ogbn-products 上提升效率与准确率。
2023-09-26 cs.LG cs.SI
Adversarial Deep Network Embedding for Cross-network Node Classification
The Hong Kong Polytechnic University(香港理工大学);University of Electronic Science and Technology of China(电子科技大学)
本文研究了跨网络节点分类问题,即利用源网络中丰富的标记节点来帮助目标网络中未标记节点进行分类。现有的领域自适应算法普遍未能对网络结构信息进行建模,现有的网络嵌入模型主要针对单网络应用。因此,它们都不能直接应用于解决跨网络节点分类问题。这促使我们提出一种对抗性跨网络深度网络嵌入(ACDNE)模型,将对抗性领域自适应与深度网络嵌入相结合,以学习网络不变的节点表示,同时也可以很好地保留网络结构信息。在ACDNE中,深度网络嵌入模块利用两个特征提取器来联合保持节点之间的属性亲和性和拓扑邻近性。此外,一个节点分类器被纳入节点表示标签歧视。此外,对抗领域自适应技术,使节点表示网络不变。大量的实验结果表明,所提出的ACDNE模型在跨网络节点分类方面达到了最先进的性能。
2020-02-18 cs.LG cs.SI
Deep Kernel Supervised Hashing for Node Classification in Structural Networks
Beijing Institute of Technology(北京理工大学);Huazhong University of Science and Technology(华中科技大学)
结构网络中的节点分类已被证明是有用的,在许多现实世界的应用。随着网络嵌入的发展,节点分类的性能得到了很大的提高。然而,现有的基于网络嵌入的方法在低维空间中存在线性不可分问题,难以捕捉节点的实际类别特征,同时也无法将网络结构信息和节点标签信息同时融入到网络嵌入中。为了解决上述问题,在本文中,我们提出了一种新的深度核监督哈希(DKSH)方法来学习节点的哈希表示用于节点分类。具体来说,首先提出了一种深度多核学习,将节点映射到合适的Hilbert空间,以处理线性不可分问题。然后,而不是只考虑两个节点之间的结构相似性,一个新的相似性矩阵的设计,合并网络结构信息和节点标签信息。在相似性矩阵的监督下,学习到的节点的哈希表示同时很好地保留了学习到的希尔伯特空间中的两种信息。大量的实验表明,该方法显着优于国家的最先进的基线在三个真实世界的基准数据集。
2021-04-03 cs.LG cs.SI
Dynamic Graph Node Classification via Time Augmentation
Visa Research(维萨研究院)
图结构数据的节点分类旨在对标签未知的节点进行分类。虽然静态图的研究是普遍的,很少有研究集中在动态图节点分类。动态图上的节点分类具有挑战性,原因有两个。首先,该模型需要捕获结构和时间信息,特别是在具有悠久历史的动态图上,需要大的感受野。其次,随着动态图的大小增加,模型的可伸缩性成为一个重要的问题。为了解决这些问题,我们提出了时间增强动态图神经网络(TADGNN)框架。TADGNN由两个模块组成:1)时间增强模块,它从结构上捕获节点在时间上的时间演化,创建时间增强的时空图,以及2)信息传播模块,它使用构建的时间增强图来学习每个节点在时间上的动态表示。我们在四个动态图基准上进行节点分类实验。实验结果表明,TADGNN框架优于几个静态和动态国家的最先进的(SOTA)GNN模型,同时表现出优越的可扩展性。我们还进行了理论和实证分析,以验证所提出的方法的效率。我们的代码可在https://sites.google.com/view/tadgnn上获得。
2022-12-07 cs.LG cs.SI
Distance-wise Prototypical Graph Neural Network in Node Imbalance Classification
Vanderbilt University(范德堡大学);IBM T.J. Watson Research Center(IBM T.J. 华生研究中心)
近年来,图神经网络(GNNs)在学习有效的节点表示进行分类方面取得了显著的成功。然而,目前的GNN大多是在平衡的数据分割下构建的,这与许多现实世界的网络不一致,其中训练节点的数量在类之间可能非常不平衡。因此,直接在不平衡数据上使用当前的GNN将生成少数类别中节点的粗略表示,并最终损害分类性能。因此,这预示着开发有效的GNN来处理不平衡图形数据的重要性。在这项工作中,我们提出了一种新的距离明智的原型图神经网络(DPGNN),它提出了一个类原型驱动的训练,以平衡大多数和少数类之间的训练损失,然后利用距离度量学习来区分不同维度的表示的贡献,并充分编码每个节点到每个类原型的相对位置。此外,我们设计了一个新的不平衡标签传播机制,以获得额外的监督从未标记的节点,并采用自监督学习平滑表示相邻节点,同时分离类间原型。在多个网络上进行了全面的节点分类实验和参数分析,所提出的DPGNN几乎总是显着优于所有其他基线,这表明它在不平衡节点分类的有效性。DPGNN的实现可在\url{https://github.com/YuWVandy/DPGNN}上获得。
2021-10-22 cs.LG cs.SI
Node Classification in Social Networks
当处理大型图时,诸如在在线社交网络的上下文中出现的那些图,可以标记节点的子集。这些标签可以指示节点(用户)的人口统计值、兴趣、信念或其他特征。一个核心问题是使用这些信息来扩展标签,以便为所有节点分配一个标签(或多个标签)。在这一章中,我们调查分类技术已经提出了这个问题。我们考虑两大类:基于传统分类器的迭代应用的方法,使用图信息作为特征,以及通过随机游走传播现有标签的方法。我们对这些方法采取了一个共同的观点,以突出两个类别内和跨两个类别的不同方法之间的相似性。我们还描述了一些扩展和相关方向的中心问题的节点分类。
2011-01-17 cs.SI physics.soc-ph
A Process for the Evaluation of Node Embedding Methods in the Context of Node Classification
Institute of Information Systems(信息系统研究所);Leuphana University of Lüneburg(吕讷堡大学)
节点嵌入方法发现潜在的低维表示,这些表示用作机器学习模型中的特征。在过去的几年里,这些方法已经成为非常流行的人工特征工程的替代品。由于作者使用各种方法来评估节点嵌入方法,现有的研究很少能有效和准确地进行比较。我们解决这个问题,通过开发一个公平和客观的评价节点嵌入程序w.r.t.节点分类这个过程支持研究人员和从业人员以可重复的方式比较新的和现有的方法。我们将这个过程应用于四种流行的节点嵌入方法,并进行了有价值的观察。通过适当的超参数组合,即使使用较低维度的嵌入也可以实现良好的性能,这对于下游机器学习任务和嵌入算法的运行时间是积极的。多个超参数组合产生类似的性能。因此,在大多数情况下,不需要大量耗时的搜索来实现合理的性能。
2020-05-29 cs.LG cs.SI
Meta-Inductive Node Classification across Graphs
Singapore Management University(新加坡管理大学)
图上的半监督节点分类是一个重要的研究问题,在信息检索中有许多实际应用,例如社交网络上的内容分类和电子商务查询图上的查询意图分类。虽然传统的方法在很大程度上是传导性的,但最近的图神经网络(GNN)将节点特征与网络结构相结合,从而实现了可以应用于相同特征空间中的新节点甚至新图的归纳节点分类模型。然而,图间差异仍然存在于同一域内的图之间。因此,仅训练一个全局模型(例如,现有技术的GNN)来处理所有新的图,同时忽略图间差异,可能导致次优性能。本文研究了图上的归纳节点分类问题。与现有的一个模型适合所有的方法不同,我们提出了一种新的元归纳框架,称为MI-GNN,在元学习范式下为每个图定制归纳模型。也就是说,MI-GNN不直接学习归纳模型;它学习如何在新图上训练半监督节点分类模型的一般知识。为了处理图之间的差异,MI-GNN在图和任务级别都采用了双重自适应机制。更具体地说,我们在适应图级差异之前学习图,并且在适应以图为条件的任务级差异之前学习任务。对五个真实世界图集合的广泛实验证明了我们提出的模型的有效性。
2022-03-27 cs.LG cs.SI
Edge2Node: Reducing Edge Prediction to Node Classification
Amirkabir University of Technology(阿米尔卡比尔理工大学)
针对图神经网络边预测任务依赖评分函数的局限,提出名为 Edge2Node 的方法,通过构建新图将边预测归约为节点分类任务,直接获取边嵌入,为该领域提供了新思路。
2023-11-22 cs.LG cs.SI
Label-dependent Feature Extraction in Social Networks for Node Classification
Wrocław University of Technology(弗罗茨瓦夫理工大学)
提出了一种新的用于网络内分类的社会网络特征提取方法。该方法提供了新的功能计算的组合:网络结构信息和类标签分配给节点。还研究了各种特征对分类性能的影响。在真实数据上的实验表明,由于所提出的方法创建的特征可以导致分类精度的显着提高。
2013-03-01 cs.LG cs.SI
GCN-SE: Attention as Explainability for Node Classification in Dynamic Graphs
Carnegie Mellon University(卡内基梅隆大学)
图卷积网络(GCN)是一种流行的图表示学习方法,已被证明是有效的任务,如节点分类任务。虽然典型的GCN模型专注于对静态图中的节点进行分类,但最近的几个变体提出了动态图中的节点分类,动态图的拓扑和节点属性随时间变化,例如,具有动态关系的社交网络,或具有变化的合著者的文献引文网络。然而,这些工作并没有完全解决在不同时间灵活地向图的快照分配不同重要性的挑战,这取决于图动态可能对标签具有或多或少的预测能力。我们通过提出一种新的方法GCN-SE来解决这一挑战,该方法在不同时间将一组可学习的注意力权重附加到图快照上,其灵感来自挤压和激励网络(SE-Net)。我们证明了GCN-SE在各种图数据集上的性能优于先前提出的节点分类方法。为了验证注意力权重在确定不同图快照重要性方面的有效性,我们将可解释机器学习领域的基于扰动的方法应用于图形设置,并评估GCN-SE学习的注意力权重与不同快照重要性之间的相关性。这些实验表明,GCN-SE实际上可以识别不同快照的动态节点分类的预测能力。
2021-10-11 cs.LG cs.SI
Synthetic Over-sampling for Imbalanced Node Classification with Graph Neural Networks
The Pennsylvania State University(宾夕法尼亚州立大学)
近年来,图神经网络(GNN)已经实现了节点分类的最新性能。然而,大多数现有的GNN都会受到图不平衡问题的困扰。在许多现实场景中,节点类是不平衡的,一些多数类构成了图的大部分。GNN中的消息传播机制将进一步放大这些多数类的优势,导致分类性能次优。在这项工作中,我们试图通过生成少数类的伪实例来平衡训练数据,扩展以前的基于过采样的技术来解决这个问题。这个任务是不平凡的,因为这些技术是在假设实例是独立的情况下设计的。忽视关系信息会使这种过采样过程变得复杂。此外,节点分类任务通常采用仅具有少数标记节点的半监督设置,从而为少数实例的生成提供不足的监督。生成的低质量的新节点会损害训练好的分类器。在这项工作中,我们解决这些困难,通过合成新的节点在一个构建的嵌入空间,编码节点属性和拓扑信息。此外,边生成器同时被训练来对图结构进行建模并为新样本提供关系。为了进一步提高数据效率,我们还探索合成混合的“中间”节点,以利用在这个过采样过程中的大多数类的节点。在真实数据集上的实验验证了该框架的有效性。
2022-06-10 cs.LG cs.SI
Node Centralities and Classification Performance for Characterizing Node Embedding Algorithms
University of Tsukuba(筑波大学);National Institute of Advanced Industrial Science and Technology (AIST)(产业技术综合研究所)
将图节点嵌入到向量空间中可以允许使用机器学习来例如预测节点类,但是由于图的多样性,与自然语言处理领域相比,节点嵌入算法的研究是不成熟的。我们检查节点嵌入算法的性能相对于图形中心的措施,表征不同的图形,通过系统的实验与四个节点嵌入算法,四个或五个图形中心,和六个数据集。实验结果揭示了节点嵌入算法的性质,为进一步研究该问题奠定了基础。
2018-02-18 cs.LG cs.SI stat.ML
A Probabilistic Model for Node Classification in Directed Graphs
本文提出一种面向有向图的概率生成式分类模型,利用最大似然或最大后验估计预测节点标签,兼具高可解释性,并在两个数据集上取得优于或媲美最先进方法的性能。
2025-01-03 cs.LG cs.SI
Node Classification in Random Trees
Eindhoven University of Technology(埃因霍温理工大学)
本文提出一种方法,用于对结构为随机树的对象进行分类,通过马尔可夫网络和图神经网络建模节点标签分布,优于现有方法。
2024-04-14 cs.LG cs.SI
Simplifying Node Classification on Heterophilous Graphs with Compatible Label Propagation
University of Luxembourg(卢森堡大学);Criteo(科韬)
图神经网络(GNN)在图学习任务中占主导地位;然而,最近的研究表明,一种著名的图算法,标签传播(LP),结合浅层神经网络,可以在具有高同质性的图上实现与GNN相当的半监督节点分类性能。在本文中,我们表明,这种方法不符合低同伦图,其中节点往往连接到节点的相反类。为了克服这一点,我们精心设计了一个基础预测与LP算法,享有一个封闭的形式的解决方案,以及收敛保证的组合。我们的算法首先学习类兼容性矩阵,然后使用LP算法按类兼容性加权来聚合标签预测。在各种各样的基准,我们表明,我们的方法实现了领先的性能与各种层次的同质性图。同时,它具有数量级更少的参数,需要更少的执行时间。经验评估表明,简单的适应LP可以在半监督节点分类的同质性和异质性制度的竞争力。
2022-11-30 cs.LG cs.SI
CLNode: Curriculum Learning for Node Classification
Wuhan University(武汉大学);The University of Sydney(悉尼大学);JD Explore Academy(京东探索研究院)
节点分类是一项基于图的基本任务,旨在预测未标记节点的类别,其中图神经网络(GNN)是最先进的方法。当前的GNN假设训练集中的节点在训练期间贡献相等。然而,训练节点的质量差异很大,两种类型的低质量训练节点可能会损害GNN的性能:(1)位于类边界附近的类间节点,缺乏其对应类的典型特征。由于GNN是数据驱动的方法,因此在这些节点上进行训练可能会降低准确性。(2)错误标记的节点。在现实世界的图中,节点经常被错误标记,这会显着降低GNN的鲁棒性。为了减轻低质量训练节点的不利影响,我们提出了CLNode,它采用选择性训练策略,根据节点的质量来训练GNN。具体而言,我们首先设计了一个多角度的难度测量器,以准确地衡量训练节点的质量。然后,基于测量的质量,我们采用一个训练调度器,选择适当的训练节点训练GNN在每个时期。为了评估CLNode的有效性,我们通过将其纳入六个代表性的骨干GNN进行了广泛的实验。在真实网络上的实验结果表明,CLNode是一个通用框架,可以与各种GNN结合使用,以提高其准确性和鲁棒性。
2022-12-30 cs.LG cs.SI
Hyperbolic Geometric Graph Representation Learning for Hierarchy-imbalance Node Classification
Beihang University(北京航空航天大学);Guangxi Normal University(广西师范大学);Macquarie University(麦考瑞大学);Zhongguancun Lab(中关村实验室)
本文针对图神经网络节点分类中的层级不平衡问题,提出基于双曲几何的HyperIMBA框架,通过建模全局层级结构缓解标记节点层级不均和跨层级连接模式带来的偏差,实验验证了其优越性。
2023-04-11 cs.LG cs.SI
Contrastive Disentangled Learning on Graph for Node Classification
Northeastern University(东北大学);Beijing Institute of Technology(北京理工大学)
本文提出一种基于解缠图编码器和两个自监督信号的对比解缠学习框架,用于无标签图上的节点分类,在三个引文网络上验证了其有效性。
2023-06-20 cs.LG cs.SI
Population Graph Cross-Network Node Classification for Autism Detection Across Sample Groups
Michigan State University(密歇根州立大学)
本文提出OTGCN方法,将图卷积网络与最优传输相结合以解决跨网络节点分类中的领域漂移问题,并在结合成像与非成像数据的自闭症谱系障碍分类任务中验证了其有效性。
2024-01-10 cs.AI cs.LG cs.SI
Rethinking Semi-Supervised Node Classification with Self-Supervised Graph Clustering
The University of Hong Kong(香港大学);Hong Kong Baptist University(香港 Baptist 大学);Shenzhen University(深圳大学)
本文提出NCGC框架,结合自监督图聚类与半监督分类,通过改进的消息传递范式和多任务学习提升节点分类性能。
2025-11-25 cs.LG cs.SI
NodeNet: A Graph Regularised Neural Network for Node Classification
Institute of Technology, Nirma University(尼尔玛大学理工学院);HEC Paris(巴黎高等商学院)
真实世界的事件表现出高度的相互依存和联系,因此产生的数据点也继承了这种联系。然而,大多数AI/ML技术忽略了数据点之间的联系。最近对基于图的AI/ML技术的兴趣激增旨在利用这些联系。基于图的学习算法有效地利用数据和相关信息来构建更好的模型。神经图学习(NGL)是一种这样的技术,其利用具有修改的损失函数的传统机器学习算法来利用图结构中的边。在本文中,我们提出了一个模型,使用NGL -节点网,解决节点分类任务的引文图。我们讨论我们的修改和它们与任务的相关性。我们进一步将我们的结果与当前最先进的技术进行比较,并调查NodeNet卓越性能的原因。
2020-06-16 cs.LG cs.SI stat.AP
Hyperdimensional Representation Learning for Node Classification and Link Prediction
The Pennsylvania State University(宾夕法尼亚州立大学)
本文提出超维图学习器(HDGL),利用超维空间表示和注入性属性,单次遍历实现节点分类与链接预测,以低计算成本达到与先进GNN竞争的性能。
2025-02-27 cs.AI cs.LG cs.SI
Who Should Teach? Confidence-Aware Dual-Teacher Learning for Few-Shot Node Classification on Text-Attributed Graphs
Chungbuk National University(忠北国立大学);Chungnam National University(忠南国立大学);The Pennsylvania State University(宾夕法尼亚州立大学)
针对文本属性图小样本节点分类中现有方法LLM信息利用不均、成本高的问题,提出置信感知双教师学习框架CoTeach,动态为节点选更可靠教师,提升性能并降低LLM成本。
2026-09-01 cs.LG cs.SI
Topological based classification of paper domains using graph convolutional networks
Bar-Ilan University(巴伊兰大学)
图中节点分类的主要方法是信息传播和节点类与外部信息的关联。现有技术的方法通过图卷积网络合并这些方法。我们在这里使用的关联的拓扑特征的节点与他们的类来预测这个类。此外,将拓扑信息与信息传播相结合,提高了标准CiteSeer和Cora论文分类任务的分类精度。拓扑特征和信息传播产生的结果几乎与基于文本的分类一样好,没有文本或内容信息。我们建议通过一个GCN表示的拓扑结构和信息传播与相邻的训练节点分类作为输入和当前节点分类作为输出。这种形式主义优于现有技术的方法。
2019-04-10 cs.LG cs.SI stat.ML
On Positional and Structural Node Features for Graph Neural Networks on Non-attributed Graphs
Emory University(埃默里大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Purdue University(普渡大学)
图神经网络(GNN)已被广泛用于各种与图相关的问题,例如节点分类和图分类,其中主要在自然节点特征可用时建立优越的性能。然而,没有自然节点特征的GNN如何工作还没有很好的理解,特别是关于构建人工节点的各种方法。在本文中,我们指出了两种类型的人工节点特征,即,位置和结构节点特征,并提供关于为什么它们中的每一个更适合于某些任务的见解,即,位置节点分类、结构节点分类和图形分类。在10个基准数据集上进行的大量实验结果验证了我们的见解,从而为非属性图上GNN的不同人工节点特征之间的选择提供了实用指南。该代码可在https://github.com/zjzijielu/gnn-positional-structural-node-features上获得。
2022-09-09 cs.AI cs.LG cs.SI
Semi-Supervised Node Classification by Graph Convolutional Networks and Extracted Side Information
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
存在于集群中的图的节点更有可能彼此连接,而不是与图中的其他节点连接。然后揭示一些节点的一些信息,图的结构(图边)提供了了解其他节点更多信息的机会。从这个角度来看,本文重温了节点分类任务,在半监督的情况下,图卷积网络(GCN)。我们的目标是从围绕显示的节点标签循环的信息流中受益。本文的贡献是双重的。首先,本文提供了一种从图实现中提取边信息的方法。然后提出了一种新的GCN结构,将传统GCN的输出与提取的边信息相结合。本文的另一个贡献是相关的非图观察(独立的边信息),存在于旁边的图实现在许多应用程序。实际上,所提取的边信息可以被独立于图结构的边信息序列替换。对于这两种情况下,在合成和真实世界的数据集上的实验表明,与现有的最先进的节点分类任务的方法相比,所提出的模型实现了更高的预测精度。
2020-11-13 cs.LG cs.SI stat.ML
Preference-driven Knowledge Distillation for Few-shot Node Classification
College of Electronic and Information Engineering, Tongji University, China(同济大学电子与信息学院);Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University, China(上海智能自主系统研究院);National Key Laboratory of Human-Machine Hybrid Augmented Intelligence, Xi’an Jiaotong University, China(人机混合增强智能国家级重点实验室);School of Computer Science and Technology, Tongji University, China(同济大学计算机科学与技术学院);Department of Computer Science, University of Illinois Chicago, USA(伊利诺伊大学芝加哥分校计算机科学系)
提出偏好驱动知识蒸馏框架,结合LLM与多种GNN,通过双选择器实现少样本节点分类,实验验证有效。
2025-10-24 cs.LG cs.SI
Lying Graph Convolution: Learning to Lie for Node Classification Tasks
Università degli Studi di Firenze(佛罗伦萨大学)
本文提出Lying-GCN,一种受观点动力学启发的深度图网络,通过自适应说谎机制让节点学习如何及何时调整分享的嵌入,从而在异配和同配图上均提升节点分类性能。
2024-05-02 cs.LG cs.SI
Mixture of Experts for Node Classification
National University of Defense Technology(国防科技大学)
本文提出专家混合框架 MoE-NP,通过结合多个节点预测器并根据节点模式动态选择模型,解决了单一预测器难以适应多样节点模式的问题,在多个真实数据集上显著提升了节点分类性能。
2025-06-04 cs.AI cs.SI
Hierarchical Graph Convolutional Networks for Semi-supervised Node Classification
University of Chinese Academy of Sciences(中国科学院大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
图卷积网络(GCN)已成功应用于网络挖掘的节点分类任务。然而,大多数基于邻域聚集的模型通常是肤浅的,缺乏“图池”机制,这使得模型无法获得足够的全局信息。为了增加感受野,我们提出了一种新的深度层次图卷积网络(H-GCN)的半监督节点分类。H-GCN首先重复地将结构相似的节点聚合为超节点,然后将粗化的图细化为原始图,以恢复每个节点的表示。而不是仅仅聚集一跳或两跳的邻居信息,建议的粗化过程扩大了每个节点的感受野,因此更多的全球信息可以被捕获。所提出的H-GCN模型在各种公共基准图数据集上表现出强大的经验性能,优于最先进的方法,并在准确性方面获得高达5.9%的性能提升。此外,当只提供少量标记样本时,我们的模型获得了实质性的改进。
2019-06-10 cs.LG cs.SI stat.ML
Explain Graph Neural Networks to Understand Weighted Graph Features in Node Classification
Yale University(耶鲁大学);J.P. Morgan AI Research(摩根大通人工智能研究院)
从不同的应用程序,具有额外的拓扑结构和连接信息收集的真实数据是服从表示为加权图。图神经网络(GNNs)是研究节点标注问题的一种强有力的工具,它可以模拟专家对节点标注的决策。GNN通过使用神经网络来嵌入节点信息并通过图中的边将其传递,从而将节点特征、连接模式和图结构相结合。我们希望识别GNN模型使用的输入数据中的模式,以做出决策,并检查模型是否按我们的期望工作。然而,由于复杂的数据表示和非线性变换,解释GNN做出的决策是具有挑战性的。在这项工作中,我们提出了新的图形特征的解释方法,以确定信息组件和重要的节点特征。此外,我们提出了一个管道,以确定用于节点分类的关键因素。我们使用四个数据集(两个合成和两个真实)来验证我们的方法。我们的研究结果表明,我们的解释方法可以模仿用于节点分类的数据模式,通过人类的解释和解开图中的不同功能。此外,我们的解释方法可用于理解数据,调试GNN模型,并检查模型决策。
2020-02-02 cs.AI cs.LG cs.SI
Mixture of Message Passing Experts with Routing Entropy Regularization for Node Classification
Institute of Cyberspace Security, Zhejiang University of Technology(浙江工业大学网络安全学院);Binjiang Cyberspace Security Institute of ZJUT(浙江工业大学滨江区网络安全研究所);Faculty of Artificial Intelligence in Education, Central China Normal University(中央财经大学教育人工智能学院)
针对GNN在异质性结构中性能下降的问题,提出GNNMoE框架,通过熵驱动的消息传递专家混合与路由熵正则化实现节点级自适应表示学习,在12个数据集上优于SOTA方法,兼具可扩展性和可解释性。
2025-11-12 cs.LG cs.SI
Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs
The University of Tokyo(东京大学);RIKEN(理化学研究所)
我们研究了从高阶图卷积和直接从邻接矩阵学习节点分类的有效学习。我们重新审视了缩放图残差网络,并从残差层中移除ReLU激活,并在每个残差层上应用单个权重矩阵。我们表明,由此产生的模型导致新的图形卷积模型作为多项式的归一化邻接矩阵,残差权重矩阵和残差缩放参数。此外,我们提出了直接图多项式卷积模型之间的自适应学习和直接从邻接矩阵学习。此外,我们提出了完全自适应的模型来学习每个残差层的缩放参数。我们证明了所提出的方法的推广界是有界的特征值谱,尺度参数和上界的残差权重的多项式。通过理论分析,我们认为,所提出的模型可以通过限制卷积的高阶和直接从邻接矩阵学习来获得改进的推广界。使用一组广泛的真实数据,我们证明了所提出的方法获得了改进的精度为节点分类的非同构图。
2022-09-12 cs.LG cs.SI
Structure-Aware Label Smoothing for Graph Neural Networks
National University of Singapore(新加坡国立大学);Nanyang Technological University(南洋理工大学);USC(南加州大学);The Hong Kong University of Science and Technology(香港科技大学)
将标签分布表示为独热向量是训练节点分类模型的常见做法。然而,独热表示可能无法充分反映不同类中节点的语义特征,因为某些节点可能在语义上接近其他类中的邻居。这会导致过度自信,因为鼓励模型在对每个节点进行分类时分配全部概率。虽然使用标签平滑的训练模型可以在一定程度上缓解这个问题,但它仍然无法捕获图结构所隐含的节点语义特征。在这项工作中,我们提出了一种新的SALS(\textit{Structure-Aware Label Smoothing})方法作为流行的节点分类模型的增强组件。SALS利用图结构来捕获连接节点之间的语义相关性,并生成结构感知的标签分布来替换原始的独热标签向量,从而在没有推理成本的情况下提高节点分类性能。在七个节点分类基准数据集上的大量实验表明,我们的SALS在提高传导和归纳节点分类方面是有效的。实验结果表明,SALS优于标签平滑方法,并增强了节点分类模型,优于基线方法。
2021-12-01 cs.AI cs.LG cs.SI
Network Lens: Node Classification in Topologically Heterogeneous Networks
Rensselaer Polytechnic Institute(伦斯勒理工学院);Department of Computer Science, Rensselaer Polytechnic Institute(伦斯勒理工学院计算机科学系(此处按要求提取到大学级别,所以实际机构为伦斯勒理工学院))
我们研究的问题,识别不同的行为发生在不同的部分,一个大型的异构网络。我们使用不同大小的镜头放大网络,以捕捉网络的局部结构。然后对这些网络签名进行加权,为每个节点提供一组预测标签。我们实现了峰值精度的$\sim42\%$(随机= $11\%$)在两个网络与$\sim100,000$和$\sim1,000,000$节点。此外,即使给定节点连接到多达5种不同类型的网络,我们的性能也优于随机。最后,我们对同构网络进行了分析,结果表明,高度结构化的网络具有较高的同质性。
2019-01-15 cs.LG cs.SI stat.ML
Dynamic Stacked Generalization for Node Classification on Networks
MaxPoint Interactive(MaxPoint互动公司);North Carolina State University(北卡罗来纳州立大学)
我们提出了一种新的堆叠泛化(堆叠)方法作为一种动态集成技术,使用一个池的异构分类器的节点标签分类网络。该方法为元件模型分配了一组函数系数,这些系数可以随节点的拓扑特征平滑变化。与传统的堆叠模型相比,所提出的方法可以在我们在图中移动时动态调整各个模型的权重,并为网络上的标签预测提供更通用和更准确的堆叠模型。我们使用模拟研究和真实数据分析证明了所提出的模型的好处。
2016-10-16 cs.LG cs.SI stat.AP
N-GCN: Multi-scale Graph Convolution for Semi-supervised Node Classification
Google Research(谷歌研究院);Columbia University(哥伦比亚大学)
图卷积网络(GCN)在图结构数据的半监督学习中表现出显着的改进。同时,图嵌入的无监督学习也受益于随机游走中包含的信息。在本文中,我们提出了一个模型:GCN网络(N-GCN),它结合了这两条工作线。在其核心,N-GCN在随机游走中在不同距离发现的节点对上训练GCN的多个实例,并学习优化分类目标的实例输出组合。我们的实验表明,我们提出的N-GCN模型改善了我们考虑的所有具有挑战性的节点分类任务的最新基线:Cora,Citeseer,Pubmed和PPI。此外,我们提出的方法具有其他理想的属性,包括推广到最近提出的半监督学习方法,如GraphSAGE,使我们能够提出N-SAGE,以及对对抗性输入扰动的弹性。
2018-02-24 cs.LG cs.SI stat.ML
Hypergraph-Based Dynamic Graph Node Classification
School of New Media and Communication, Tianjin University(天津大学新媒体与传播学院);Baylor University(贝勒大学)
本文提出HYDG模型,通过个体级和群体级超图分别捕捉动态图中节点的时空表示与同类节点的多粒度时序依赖,结合超图神经网络加权聚合,在五个真实数据集上验证了其优于现有动态图节点分类方法。
2024-12-29 cs.AI cs.SI
DP-GCN: Node Classification Based on Both Connectivity and Topology Structure Convolutions for Risky Seller Detection
支付网络包含卖家和买家之间的交易。检测这种支付网络上的风险(或不良)卖家对于支付服务提供商的风险管理和法律合规至关重要。在这项研究中,我们制定了这个任务作为一个节点分类任务。具体来说,我们的目标是通过分析其属性和/或交互来预测支付网络中每个卖家的标签。驻留在支付网络的不同部分中的节点可以具有类似的本地拓扑结构。这种局部拓扑结构揭示了卖方的业务角色,例如,供应商、托运人或零售商。我们注意到,许多现有的基于图的节点分类的解决方案只考虑节点的连通性,而不是节点的局部拓扑结构之间的相似性。基于业务需求,提出了一种双路径图卷积网络DP-GCN,用于节点分类。DP-GCN同时考虑了节点的连通性和拓扑结构的相似性。该模型由三个主要模块组成:(i)一个C-GCN模块捕捉节点之间的连接关系,(ii)一个T-GCN模块捕捉节点之间的拓扑结构相似性,和(iii)一个多头自我注意力模块,以调整这两个属性。我们在七个基准数据集上对DP-GCN进行了评估。我们还提供了一个案例研究,在三个大型支付网络上运行DP-GCN从贝宝,领先的支付服务提供商之一。实验结果证明了DP-GCN的有效性和实用性。
2021-12-09 cs.SI
Graph Prototypical Networks for Few-shot Learning on Attributed Networks
Arizona State University(亚利桑那州立大学);Texas A&M University(得克萨斯农工大学);University of Virginia(弗吉尼亚大学);Illinois Institute of Technology(伊利诺伊理工学院);Singapore Management University(新加坡管理大学)
如今,属性网络在无数高影响力的应用中无处不在,例如社会网络分析、金融欺诈检测和药物发现。节点分类作为属性网络的一项核心分析任务,受到了研究界的广泛关注。在真实世界的属性网络中,大部分节点类只包含有限的标记实例,呈现长尾节点类分布。现有的节点分类算法不具备处理\textit{few-shot}节点类的能力。作为一种补救措施,少样本学习在研究界引起了极大的关注。然而,Few-Shot节点分类仍然是一个具有挑战性的问题,因为我们需要解决以下问题:(i)如何从属性网络中提取元知识用于Few-Shot节点分类?(ii)如何识别每个标记实例的信息量,以建立一个强大而有效的模型?为了回答这些问题,本文提出了一个图元学习框架--图原型网络(GPN)。通过构建一个半监督节点分类任务池来模拟真实的测试环境,GPN能够在属性网络上执行\textit{meta-learning},并导出一个高度概括的模型来处理目标分类任务。大量的实验证明了GPN在Few-Shot节点分类中的优越性能。
2020-11-27 cs.LG cs.SI stat.ML
Node Classification for Signed Social Networks Using Diffuse Interface Methods
University of Tübingen(图宾根大学);The University of British Columbia(不列颠哥伦比亚大学);Technische Universität Chemnitz(开姆尼茨工业大学)
签名网络包含积极和消极的相互作用,如友谊和敌意。非符号图中的节点分类任务已被证明在许多现实世界的应用中是有益的,但对有符号网络的扩展在很大程度上仍未被探索。在本文中,我们介绍了第一次分析的节点分类签署社交网络通过扩散接口的方法的基础上的Ginzburg-Landau功能与不同的扩展图拉普拉斯签署网络。我们表明,混合的信息,从积极和消极的互动,导致性能的改善,真正签署的社交网络,始终优于目前的最先进的。
2019-08-05 cs.LG cs.NA cs.SI
Pre-Training and Prompting for Few-Shot Node Classification on Text-Attributed Graphs
Tsinghua University(清华大学);University of Edinburgh(爱丁堡大学);Zhipu AI(智谱AI);Bosch Center for Artificial Intelligence(博世人工智能中心);Anhui University(安徽大学)
针对文本属性图上的少样本节点分类,提出P2TAG框架,通过图预训练和混合提示方法同时利用文本与图信息,在六个真实数据集上显著优于现有方法。
2024-07-22 cs.AI cs.LG cs.SI
Predicting Properties of Nodes via Community-Aware Features
SGH Warsaw School of Economics(华沙经济学院);Toronto Metropolitan University(多伦多都会大学);Tutte Institute for Mathematics and Computing(塔特数学与计算研究所)
本文提出了一族社区感知节点特征,利用网络社区结构提升节点分类的预测能力,证明了其包含经典特征无法恢复的信息,并在合成与真实网络中验证了其高效性和有效性。
2024-04-26 cs.LG cs.SI math.CO
Node classification in networks via simplicial interactions
本文针对节点分类任务提出基于概率的高阶网络目标函数及随机块张量模型(SBTM),并与GNN方法结合,在困难分类场景下有效提升节点分类性能。
2024-12-31 cs.SI stat.CO
GraphViz2Vec: A Structure-aware Feature Generation Model to Improve Classification in GNNs
针对GNN初始嵌入随机、结构表征弱且易过平滑的问题,提出GraphViz2Vec方法,通过邻域能量图训练图像分类模型生成结构感知的初始嵌入,提升分类性能并缓解过平滑。
2024-01-30 cs.AI cs.LG cs.SI
Network Together: Node Classification via Cross network Deep Network Embedding
网络嵌入是一种高效的学习低维节点向量表示的方法,并且可以很好地保留原始网络结构。然而,现有的网络嵌入算法大多是针对单个网络开发的,无法跨网络学习广义特征表示。本文研究了跨网络节点分类问题,旨在利用源网络中丰富的标记信息来帮助对目标网络中未标记的节点进行分类。为了成功地完成这样的任务,应该为跨不同网络的节点学习可转移的特征。为此,提出了一种新的跨网络深度网络嵌入(CDNE)模型,将领域自适应纳入深度网络嵌入,以学习标签区分和网络不变的节点向量表示。一方面,CDNE利用网络结构来捕获网络内节点之间的邻近性,通过映射更强连接的节点以具有更相似的潜在向量表示。另一方面,节点属性和标签被利用来捕获跨不同网络的节点之间的邻近度,这是通过使跨网络的相同标记的节点具有对齐的潜在向量表示来实现的。大量的实验表明,提出的CDNE模型在跨网络节点分类方面明显优于现有的网络嵌入算法。
2020-06-05 cs.SI
Open-World Semi-Supervised Learning for Node Classification
School of Information, Renmin University of China(中国人民大学信息学院);Zhongguancun Laboratory(中关村实验室);Alibaba Group(阿里巴巴集团);Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系);School of Information Technology and Electrical Engineering, The University of Queensland(昆士兰大学信息技术与电气工程学院)
针对开放世界半监督节点分类中已知与新类别类内方差不平衡问题,提出不平衡感知方法OpenIMA,利用对比学习与偏差减少伪标签从零训练模型,在七个基准上验证有效性。
2024-03-18 cs.AI cs.LG cs.SI
A Hybrid Similarity-Aware Graph Neural Network with Transformer for Node Classification
提出SIGNNet框架,结合图卷积网络与Transformer,通过基于分数的机制和Personalized PageRank节点采样解决过度挤压与可扩展性问题,并引入结构感知多头注意力机制,在多个数据集上显著提升了节点分类准确率。
2025-04-03 cs.SI
negMIX: Negative Mixup for OOD Generalization in Open-Set Node Classification
Hainan University(海南大学);Griffith University(格里菲斯大学);Beihang University(北京航空航天大学)
本文提出negMIX模型,通过负混合和跨层图对比学习提升开放集节点分类中对领域外节点的泛化能力,增强类别内紧凑性和类别间分离性。
2026-03-21 cs.SI
Open-Set Cross-Network Node Classification via Unknown-Excluded Adversarial Graph Domain Alignment
针对目标网络含源网络未见私有类的开集跨网络节点分类问题,提出UAGA模型,通过对抗框架分离已知与未知类,并仅对已知类进行对抗域对齐,显著优于现有方法。
2025-02-16 cs.SI
Prompt-Based Zero- and Few-Shot Node Classification: A Multimodal Approach
针对标签有限的节点分类任务,提出深度融合文本与图模态的TAG两阶段模型,无需元学习即可在零样本和少样本场景下大幅优于基线。
2023-07-21 cs.SI
Supervised Q-walk for Learning Vector Representation of Nodes in Networks
IIIT-Allahabad(印度信息技术学院阿拉哈巴德分校)
自动特征学习算法处于现代机器学习研究的最前沿。我们提出了一种新的算法,监督Q-walk,它应用Q-学习生成图上的随机游走,这样的行走证明是有用的学习节点功能,适合处理与节点分类问题。我们提出了另一种新的算法,k-hops邻域为基础的置信度值学习器,它学习的置信度值的标签在网络中的未标记的节点,而无需首先学习的节点嵌入。这些置信度值有助于学习Q学习的适当奖励函数。我们使用几个真实世界的数据集,证明了监督Q-步行方法在解决单/多标签多类节点分类问题方面优于现有的最先进的基于随机行走的节点嵌入学习器。总之,我们的方法代表了一种新的最先进的技术来学习特征,为网络中的节点量身定制,用于处理节点分类问题。
2017-10-03 cs.AI cs.SI