Clustering-Oriented Generative Attribute Graph Imputation
School of Artificial Intelligence, OPtics and ElectroNics (iOPEN)(人工智能学院(iOPEN));Northwestern Polytechnical University(西北工业大学);Institute of Artificial Intelligence (TeleAI)(人工智能研究所(TeleAI))
针对属性缺失图聚类中补全缺乏类别语义、优化受无关属性干扰的问题,提出CGIR模型,通过子簇分布约束生成补全、子簇合并指导边注意力网络优化,在统一框架下提升聚类性能。
2025-07-25 cs.LG
Spatial-Temporal Feedback Diffusion Guidance for Controlled Traffic Imputation
FENCE提出了一种时空反馈扩散引导方法,通过动态调整引导尺度提升交通数据填补的准确性。
2026-01-08 cs.AI cs.LG
Sampling-guided Heterogeneous Graph Neural Network with Temporal Smoothing for Scalable Longitudinal Data Imputation
East China Normal University(华东师范大学);Stanford University(斯坦福大学);The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
提出SHT-GNN框架,通过异质图建模观测与协变量,结合受试者级采样和时序平滑,实现大规模纵向数据的高效插补,在ADNI等数据集上显著优于现有方法。
2024-11-07 cs.LG
GAIN: Missing Data Imputation using Generative Adversarial Nets
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Oxford(牛津大学);Alan Turing Institute(艾伦·图灵研究所)
我们提出了一种新的方法,通过适应著名的生成对抗网(GAN)框架来填补缺失数据。因此,我们称我们的方法为生成对抗性填补网络(GAIN)。生成器(G)观察真实数据向量的一些分量,根据实际观察到的情况来估算缺失的分量,并输出完整的向量。然后,计算器(D)获取一个完整的向量,并试图确定实际观察到哪些分量,哪些分量进行了插补。为了确保D迫使G学习所需的分布,我们以提示向量的形式向D提供一些额外的信息。该提示向D揭示了关于原始样本缺失的部分信息,D使用该信息来将其注意力集中在特定分量的插补质量上。这个提示确保了G实际上确实学会了根据真实的数据分布进行生成。我们在各种数据集上测试了我们的方法,发现GAIN显著优于最先进的插补方法。
2018-06-07 cs.LG stat.ML
What's a good imputation to predict with missing values?
Université Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);IJCLab(直线加速器实验室);Inria(法国国家信息与自动化研究所);CEA(法国原子能和替代能源委员会);Ecole Polytechnique(巴黎综合理工学院);IP Paris(巴黎理工学院)
如何在有缺失值的数据上学习一个好的预测器?大多数努力集中在第一次插补,以及可能和第二次学习的完整的数据,以预测结果。然而,这种普遍的做法没有理论基础。在这里,我们表明,对于几乎所有的插补函数,一个强大的学习器的插补然后回归过程是贝叶斯最优的。这一结果适用于所有缺失值机制,与传统的统计结果相反,传统的统计结果需要随机缺失设置才能在概率建模中使用插补。此外,它意味着完美的条件填补是不需要良好的预测渐近。事实上,我们证明了在完全插补数据上,最好的回归函数通常是不连续的,这使得它很难学习。相反,精心设计插补以保持回归函数不变,只是将问题转移到学习不连续插补上。相反,我们建议,它是更容易学习插补和回归联合。我们提出了这样一个程序,适应NeuMiss,一个神经网络捕获的条件链接观察到的和未观察到的变量无论丢失值的模式。实验证明,联合填补和回归通过NeuMiss是优于各种两步程序在我们的实验中,有限数量的样本。
2021-11-30 cs.AI cs.LG stat.ML
Enhancing Missing Data Imputation through Combined Bipartite Graph and Complete Directed Graph
School of Statistics, East China Normal University(华东师范大学统计学院);The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);School of Global Public Health, New York University(纽约大学全球公共卫生学院)
本文提出BCGNN框架,结合二部图与完全有向图,利用特征间依赖关系提升表格数据缺失填补,平均绝对误差降低15%,并增强标签预测与泛化能力。
2024-11-07 cs.LG
Precision Adaptive Imputation Network : An Unified Technique for Mixed Datasets
B.K. Birla College of Arts, Science and Commerce(B.K.比尔拉文理及商科学院)
本研究提出精度自适应插补网络(PAIN),通过三步集成统计方法、随机森林和自编码器,在混合数据集上优于传统插补方法,有效保留数据分布并处理非随机缺失。
2025-01-18 cs.LG stat.ML
Divide-Then-Rule: A Cluster-Driven Hierarchical Interpolator for Attribute-Missing Graphs
College of Computer Science and Technology(计算机科学与技术学院);National University of Defense Technology(国防科技大学);Xiangjiang Laboratory(湘江实验室);Hainan University(海南大学);Changsha University(长沙大学);Qilu University of Technology(齐鲁工业大学);North University of China(北方工业大学)
针对属性缺失图的深度图聚类难题,提出分而治之的DTRGC方法,通过动态簇感知传播、层次插补和跳级增强,显著提升聚类性能。
2025-08-05 cs.AI cs.LG
When Prompting Meets Spiking: Graph Sparse Prompting via Spiking Graph Prompt Learning
School of Computer Science and Technology, Anhui University(计算机科学与技术学院,安徽大学)
本文提出SpikingGPF,通过脉冲神经元机制学习稀疏图提示,提升图任务的鲁棒性和效率。
2026-01-06 cs.LG
Networked Time Series Imputation via Position-aware Graph Enhanced Variational Autoencoders
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);IBM Research(IBM研究院)
针对网络化时间序列(NTS)中图结构动态变化且存在缺失值的问题,提出PoGeVon模型,利用变分自编码器(VAE)结合基于带重启随机游走(RWR)的节点位置嵌入,通过多任务学习的3阶段解码器相互插补时间序列与图结构缺失值,实现了比基线更优的插补效果。
2023-06-26 cs.AI cs.LG
Multiple data-driven missing imputation
Interregional Academy of Personnel Management(跨地区人事管理学院);Luxena Ltd.(Luxena有限公司)
本文提出KZImputer自适应插补方法,针对单变量时间序列中短至中等长度缺失点,按序列位置定制策略,在高缺失率场景下显著优于传统方法。
2025-07-03 cs.LG stat.ME stat.ML
EGG-GAE: scalable graph neural networks for tabular data imputation
Sapienza University of Rome(罗马萨皮恩扎大学)
缺失数据插补(MDI)在处理跨多个领域的表格数据集时至关重要。自动编码器可以被训练来重建缺失值,而图自动编码器(GAE)在为给定实例输入新值时可以额外考虑数据集中的类似模式。然而,以前提出的GAE遭受可扩展性问题,需要用户定义模式之间的相似性度量,以预先建立图连接。在本文中,我们利用潜在图填补的最新进展,提出了一种新的边缘生成图自动编码器(EGG-GAE)的缺失数据填补,克服了这两个缺点。EGG-GAE处理随机采样的小批量输入数据(因此可以扩展到更大的数据集),并自动推断每个架构层的小批量之间的最佳连接性。我们还尝试了几种扩展,包括用于推理的集成策略和包含我们称之为原型节点的内容,在多个基准和基线上,在插补误差和最终下游准确性方面都获得了显着改进。
2022-10-19 cs.AI cs.LG
Handling Missing Data with Graph Representation Learning
Stanford University(斯坦福大学)
具有缺失数据的机器学习已经以两种不同的方式进行处理,包括基于观察值估计缺失特征值的特征插补,以及直接从不完整数据学习下游标签的标签预测。然而,现有的插补模型往往具有很强的先验假设,无法从下游任务中学习,而针对标签预测的模型通常涉及到算法,可能会遇到可扩展性问题。在这里,我们提出了GRAPE,一个基于图的框架,用于特征填充和标签预测。GRAPE使用图形表示来解决丢失数据问题,其中观察和特征被视为二分图中的两种类型的节点,并且观察到的特征值被视为边。在GRAPE框架下,特征填充被公式化为边缘级预测任务,标签预测被公式化为节点级预测任务。然后用图神经网络解决这些任务。在9个基准数据集上的实验结果表明,与现有的最先进的方法相比,GRAPE对插补任务的平均绝对误差降低了20%,对标签预测任务的平均绝对误差降低了10%。
2020-10-30 cs.LG cs.SI stat.ML
Improving random walk rankings with feature selection and imputation
University of Texas at Austin(德克萨斯大学奥斯汀分校)
Science 4cast竞赛包括预测语义网络中的新链接,每个节点代表一个概念,每个边代表一个链接,该链接由一篇涉及两个概念的论文提出。该网络包含1994-2017年的信息,并以天数(代表基础论文的出版日期)进行离散化。团队Hash Brown的最终提交,\emph{ee5a},在测试集上获得了0.92738的分数。我们队的分数排名\emph{second place},比冠军的分数低0.01。本文详细介绍了我们的模型、它的直觉以及它的变体在测试集中的性能。
2021-11-29 cs.LG cs.SI
Towards Multiple Missing Values-resistant Unsupervised Graph Anomaly Detection
针对不完整图上无监督异常检测存在的插补偏差与跨视图误差干扰问题,提出M²V-UGAD框架,通过双路径独立重构、潜在空间正则化与困难负样本采样,在多缺失率场景下取得更优检测效果。
2025-11-13 cs.LG
A Hybrid Inductive-Transductive Network for Traffic Flow Imputation on Unsampled Locations
University of Antwerp(安特卫普大学);imec;IDLab;Faculty of Applied Engineering(应用工程学院)
HINT通过结合归纳和转化方法,利用速度、交通模拟和地理数据提升未采样地点交通流量填补的准确性。
2025-12-19 cs.AI cs.LG
Efficient data augmentation using graph imputation neural networks
Department of Information Engineering, Electronics;Telecommunications (DIET), ``Sapienza'' University of Rome, Via Eudossiana 18, 00184, Rome. \ : \ simone.scardapane
最近,在半监督制度,其中未标记的数据大大超过标记的数据的数据增强,已受到相当大的关注。在本文中,我们描述了一种有效的技术,这项任务,利用最近的框架,我们提出了缺失数据填补称为图填补神经网络(GINN)。其关键思想是利用监督和非监督数据来构建数据集中点之间的相似性图。然后,我们通过严重破坏一些节点(高达80%的特征)来增强数据集,并使用GINN的变体来重建它们。在几个基准数据集上,我们表明,与完全监督模型相比,我们的方法可以获得显着的改进,并且我们能够将数据集扩展到10倍。这表明了基于图的神经网络在数据重建和增强任务中表示样本中的结构相似性的能力。
2019-06-20 cs.LG stat.ML
Robust Graph Clustering Network for Multiple Missing Data
Northeastern University(东北大学);Southeast University(东南大学)
针对图数据中节点属性与结构同时缺失的聚类难题,提出RGCN网络,通过视图解耦双分支插补、多超球面混合先验及边界感知对比增强,有效提升聚类性能。
2026-09-28 cs.LG
Asynchronous Graph Generator
Imperial College(帝国理工学院)
提出异步图生成器(AGG)这一新型图注意力网络,无需循环组件或时空规律假设,通过条件注意力生成执行插补,在三个基准数据集上的插补、分类和预测任务中优于其他基于注意力的网络。
2025-04-16 cs.AI cs.LG
FSD-CAP: Fractional Subgraph Diffusion with Class-Aware Propagation for Graph Feature Imputation
Xidian University(西安电子科技大学);KTH Royal Institute of Technology(皇家理工学院)
FSD-CAP通过两阶段框架提升图特征补全质量,在极端稀疏条件下实现高准确率的节点分类和链接预测
2026-01-26 cs.LG cs.SI stat.ML
Higher-order Spatio-temporal Physics-incorporated Graph Neural Network for Multivariate Time Series Imputation
School of Information Technology, Halmstad University(哈尔姆斯塔德大学信息技术学院)
针对多元时间序列插补中数据驱动模型难以捕捉复杂时空关系及高阶邻居计算复杂的问题,提出高阶时空物理融合图神经网络HSPGNN,利用动态拉普拉斯矩阵和偏微分方程构建模型,结合归一化流评估节点重要性,在四个基准数据集上验证了有效性。
2024-07-18 cs.AI cs.LG
Diffusion-based Time Series Data Imputation for Microsoft 365
Microsoft Research(微软研究院);Microsoft 365(微软365);KTH Royal Institute of Technology(瑞典皇家理工学院)
针对 Microsoft 365 云系统故障预测中数据缺失影响性能的问题,提出样本高效的扩散模型 Diffusion+ 进行时间序列数据插补,有效提升了下游故障预测任务的性能。
2023-08-03 cs.AI cs.DC cs.LG
Revisiting Initializing Then Refining: An Incomplete and Missing Graph Imputation Network
National University of Defense Technology(国防科技大学);Chongqing University of Posts and Telecommunications(重庆邮电大学);Hainan University(海南大学);Hainan blockchain technology engineering research center(海南区块链技术工程研究中心)
随着社交网络和知识图谱等各种应用的发展,图数据在现实世界中已经无处不在。不幸的是,在数据汇集过程中,由于隐私保护政策或版权限制,图通常会缺失。图形数据缺失大致可以分为属性不完整和属性缺失两种情况。具体地,属性不完整表示所有节点的部分属性向量不完整,而属性缺失表示部分节点的全部属性向量缺失。虽然已经投入了许多努力,但没有一个是针对同时存在两种类型的图形数据缺失的常见情况定制设计的。为了填补这一空白,我们开发了一种新的网络,称为重新初始化,然后细化(RITR),在那里我们完成属性不完整和属性缺失的样本的指导下,一个新的初始化,然后细化插补标准。具体来说,对于属性不完备样本,首先在网络学习前使用高斯噪声对不完备属性进行初始化,然后引入结构-属性一致性约束,通过将结构-属性相关矩阵近似为高阶结构矩阵来细化不完备值.为了完成属性缺失样本,首先采用属性缺失样本的结构嵌入作为嵌入初始值,然后根据一个动态的亲和度结构自适应地聚合属性缺失样本的可靠信息,对这些初始值进行细化.据我们所知,这种新设计的方法是第一个致力于处理混合缺失图的无监督框架。在四个数据集上进行的大量实验已经证实,我们的方法始终优于现有的最先进的竞争对手。
2023-02-15 cs.AI cs.LG
U-STS-LLM: A Unified Spatio-Temporal Steered Large Language Model for Traffic Prediction and Imputation
School of Information Science and Engineering, Southeast University(信息科学与工程学院,东南大学)
本文提出U-STS-LLM,结合时空引导的LLM,解决交通预测与填补问题,通过动态时空注意力偏置生成器和LoRA微调,实现高效稳定的数据表示学习。
2026-10-26 cs.LG eess.SP
SLADE: Detecting Dynamic Anomalies in Edge Streams without Labels via Self-Supervised Learning
KAIST(韩国科学技术院)
提出自监督框架SLADE,通过训练神经网络最小化节点表示漂移并从短期模式生成长期模式,在无标签边流中实现常数时间的动态异常检测,性能优于多种有监督方法。
2024-07-25 cs.LG cs.SI
PAST: A Primary-Auxiliary Spatio-Temporal Network for Traffic Time Series Imputation
Shanghai Jiao Tong University(上海交通大学)
针对交通时间序列多类型缺失场景下现有方法难以适配随机缺失、无法捕获长程依赖的问题,本文提出主辅时空网络PAST,通过双模块分别建模主辅模式,实验证明其插补精度显著优于现有最优基线。
2025-11-17 cs.AI cs.LG
Learning Features with Structure-Adapting Multi-view Exponential Family Harmoniums
Pohang University of Science and Technology (POSTECH)(浦项科技大学)
我们提出了一种多视图特征提取的图模型,它可以自动调整其结构,以更好地表示数据分布。提出的模型,结构自适应多视图和声(SA-MVH)具有开关参数,控制隐藏节点和输入视图之间的连接,并在训练时学习开关参数。合成和真实世界的数据集上的数值实验表明,SA-MVH的有用的行为相比,现有的多视图特征提取方法。
2013-01-16 cs.LG
Adapting Node-Place Model to Predict and Monitor COVID-19 Footprints and Transmission Risks
University of Hong Kong(香港大学)
本文通过适应节点-地点模型,研究节点、地点和移动性对新冠足迹及传播风险的预测作用,为疫情防控提供决策支持。
2022-12-31 cs.LG cs.SI physics.soc-ph
MedGCN: Medication recommendation and lab test imputation via graph convolutional networks
Northwestern University(西北大学)
实验室检测和药物处方是日常临床实践中最重要的两项常规。开发一个可以自动进行实验室测试估算和药物建议的人工智能系统,可以节省潜在冗余实验室测试的成本,并告知医生更有效的处方。我们提出了一个智能医疗系统(名为MedGCN),可以自动推荐患者的药物,根据他们的不完整的实验室测试,甚至可以准确地估计实验室值还没有采取。在我们的系统中,我们集成了多种类型的医疗实体之间的复杂关系,其固有的功能在一个异构图。然后,我们对图进行建模,以基于图卷积网络(GCN)来学习图中每个实体的分布式表示。通过图卷积网络的传播,实体表示可以合并可以有益于多个医疗任务的多种类型的医疗信息。此外,我们引入了交叉正则化策略,通过多个任务之间的相互作用来减少多任务训练的过拟合。在这项研究中,我们构建了一个图来关联4种类型的医学实体,即,患者、遭遇、实验室测试和药物,并应用图神经网络来学习用于药物推荐和实验室测试估算的节点嵌入。我们在两个真实世界的数据集上验证了我们的MedGCN模型:NMEDW和MIMIC-III。在两个数据集上的实验结果表明,我们的模型在这两个任务中的表现都优于最先进的模型。我们相信,我们的创新系统可以提供一种有前途和可靠的方式,以帮助医生制定药物处方,并节省潜在的冗余实验室测试的成本。
2022-02-04 cs.AI cs.LG stat.ML
Adapting to Heterophilic Graph Data with Structure-Guided Neighbor Discovery
Department of Signal Theory and Communications, King Juan Carlos University(信号理论与通信系,国王胡安·卡洛斯大学);Department of Electrical and Computer Engineering, Rice University(电气与计算机工程系,里奇大学)
针对GNN在异配图上依赖同配假设的问题,本文构建基于结构属性的替代图并提出SG-GNN,多视图自适应融合原图与结构图,理论与实验均验证其性能优势。
2025-06-10 cs.LG eess.SP
CoRGi: Content-Rich Graph Neural Networks with Attention
Microsoft Research(微软研究院)
目标域的图形表示通常将其投影到一组实体(节点)及其关系(边)。然而,这样的预测往往错过重要和丰富的信息。例如,在缺失值填补中使用的图形表示中,表示为节点的项可能包含丰富的文本信息。然而,当用图神经网络(GNN)处理图时,这样的信息要么被忽略,要么被汇总到用于初始化GNN的单个向量表示中。为了解决这个问题,我们提出了CoRGi,这是一个GNN,它在邻居的上下文中考虑节点内的丰富数据。这是通过在每个节点的内容上赋予CoRGi的消息传递以个性化的注意力机制来实现的。通过这种方式,CoRGi会根据出现在项目内容中的单词来分配特定于用户项目的注意力分数。我们在两个边缘值预测任务上评估了CoRGi,并表明CoRGi在现有方法的边缘值预测方面更好,特别是在图的稀疏区域上。
2021-10-10 cs.LG
Graph Sanitation with Application to Node Classification
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在过去的几十年里,图挖掘技术蓬勃发展,出现了许多复杂的模型和算法,用于各种挖掘任务,如排序,分类,聚类和异常检测。一般来说,绝大多数现有的工作旨在回答以下问题,即给定一个图,什么是挖掘它的最佳方法?本文引入图卫生问题,来回答一个正交问题。也就是说,给定一个挖掘任务和一个初始图,改进初始图的最佳方法是什么?通过学习一个更好的图作为挖掘模型的输入的一部分,它有望在各种设置中受益于图挖掘,从去噪,插补到防御。我们制定的图卫生问题作为一个双层优化问题,并进一步实例化它的半监督节点分类,以及一个有效的求解器名为GaSoliNe。大量的实验结果表明,该方法(1)对不同的图神经网络模型具有广泛的适用性,并具有灵活的图修改策略;(2)在各种扰动情况下,无论是在原始图还是污染图上,该方法都能有效地提高节点分类精度.特别是,它带来了高达25%的性能改善现有的强大的图神经网络方法。
2021-10-25 cs.LG
Mitigating Structural Overfitting: A Distribution-Aware Rectification Framework for Missing Feature Imputation
Carnegie Mellon University(卡内基梅隆大学);Shanghai University of Finance and Economics(上海财经大学)
本文提出DART框架,通过全局结构增强和语义校正机制,解决图学习中缺失特征填补的结构过拟合问题,并在六个公开数据集和Sailing数据集上验证了其有效性。
2026-04-04 cs.LG cs.SI
STD-PLM: Understanding Both Spatial and Temporal Properties of Spatial-Temporal Data with PLM
针对现有时空预测与补全方法任务单一、少/零样本效果差且PLM时空关联建模不足的问题,本文提出STD-PLM模型,通过时空分词器、拓扑感知节点嵌入及沙漏注意力模块,实现两类任务的高性能与强泛化。
2025-05-20 cs.AI cs.LG
Graph Convolutional Networks for Graphs Containing Missing Features
Tokyo Institute of Technology(东京工业大学);National Institute of Advanced Industrial Science and Technology(产业技术综合研究所);AIST-Tokyo Tech Real World Big-Data Computation Open Innovation Laboratory(产综研-东京工业大学现实世界大数据计算开放创新实验室)
图卷积网络(GCN)在图形分析方面取得了巨大的成功。它的工作原理是平滑整个图中的节点特征。目前的GCN模型绝大多数假设节点特征信息是完整的。然而,现实世界的图形数据往往是不完整的,并包含丢失的功能。传统上,人们必须估计和填充的未知特征的基础上填补技术,然后应用GCN。然而,特征填充和图学习的过程是分离的,导致性能下降和不稳定。当大量特征缺失时,这个问题变得更加严重。我们提出了一种方法,适应GCN的图形包含丢失的功能。与传统的策略相比,我们的方法将缺失特征的处理和图学习集成在同一个神经网络架构中。我们的想法是用高斯混合模型(GMM)表示缺失的数据,并计算GCN第一隐藏层中神经元的预期激活,同时保持网络的其他层不变。这使得我们能够以端到端的方式学习GMM参数和网络权重参数。值得注意的是,我们的方法不会增加GCN的计算复杂性,并且当特征完整时,它与GCN是一致的。我们通过大量的实验表明,我们的方法显着优于基于估算的方法在节点分类和链接预测任务。我们表明,我们的方法的性能与低水平的缺失功能的情况下,甚至优于GCN的情况下,完整的功能。
2020-12-06 cs.CY cs.LG stat.ML
Identifying Critical Phases for Disease Onset with Sparse Haematological Biomarkers
Aalborg University(奥尔堡大学);Tel-Aviv University(特拉维夫大学);Meta;Aalborg University Hospital(奥尔堡大学医院)
针对临床血液检测采样不规则、传统插补方法易引入偏差且缺乏可解释性的问题,提出基于GNAN的方法,将生物标志物轨迹建模为时间加权有向图,可显式分解特征与时间贡献、检测疾病关键时间点,兼具可解释性与临床应用价值。
2025-03-18 cs.LG q-bio.QM
A Deep Learning Approach for Overall Survival Prediction in Lung Cancer with Missing Values
本文提出了一种基于transformer架构的深度学习方法,用于处理肺癌患者整体生存预测中的缺失数据,通过自适应特征嵌入和掩码自注意力机制,无需填补策略即可提升预测精度。
2024-07-01 cs.LG stat.AP
Adapting Membership Inference Attacks to GNN for Graph Classification: Approaches and Implications
Monash University(莫纳什大学)
图神经网络(GNN)被广泛用于分析非欧几里德数据,如化学网络,大脑网络和社交网络,建模对象之间的复杂关系和相互依赖性。最近,针对GNN的成员推断攻击(MIA)引发了严重的隐私问题,其中训练数据可能从训练的GNN模型中泄露。然而,先前的研究集中于仅推断图中的组件的成员关系,例如,单个节点或边。如何推断整个图记录的成员还有待探索。在本文中,我们在MIA中对GNN进行图级分类的第一步。我们的目标是推断图样本是否已用于训练GNN模型。我们提出并实现了两种类型的攻击,即,基于训练的攻击和基于阈值的攻击来自不同的对抗能力。我们使用五个有代表性的GNN模型在七个真实数据集中进行了全面的实验来评估我们的攻击。我们的两种攻击都被证明是有效的,可以实现高性能,即,在大多数情况下达到0.7以上的攻击F1分数。此外,我们分析了MIA对GNN的影响。我们的研究结果证实,GNN可能比具有非图结构的模型更容易受到MIA的影响。与节点级分类器不同的是,图级分类任务的MIA与GNN的过拟合水平更相关,而不是其训练图的统计特性。
2021-10-17 cs.CR cs.LG
A Graph Feature Auto-Encoder for the Prediction of Unobserved Node Features on Biological Networks
University of Bergen(卑尔根大学)
动机:分子相互作用网络将复杂的生物学过程概括为图形,其结构在多个尺度上提供生物学功能的信息。同时,组学技术测量个体或实验条件下基因、蛋白质或代谢物的变异或活性。整合生物网络和组学数据的互补观点是生物信息学中的一项重要任务,但现有方法将网络视为离散结构,本质上难以与连续节点特征或活动度量整合。图神经网络将图节点映射到低维向量空间表示中,并且可以被训练为保持局部图结构和节点特征之间的相似性。结果:研究了转录、蛋白质-蛋白质和遗传相互作用网络在大肠杆菌中的表达。利用图神经网络对大肠杆菌和小鼠进行了研究。我们发现,这种表示解释了基因表达数据中的大部分变化,并且使用基因表达数据作为节点特征改进了从嵌入的图的重建。我们进一步提出了一种新的端到端图特征自动编码器,它在特征重建任务上进行了训练,并表明它在预测未观察到的节点特征方面比在学习预测节点特征之前在图重建任务上进行训练的自动编码器表现得更好。当应用于在单细胞RNAseq数据中输入缺失数据的问题时,我们的图形特征自动编码器优于不使用蛋白质相互作用信息的最先进的输入方法,显示了使用图形表示学习整合生物网络和组学数据的好处。
2020-12-23 cs.LG q-bio.QM stat.ML
Using Eigencentrality to Estimate Joint, Conditional and Marginal Probabilities from Mixed-Variable Data: Method and Applications
La Trobe University(拉筹伯大学)
估计某些变量集合上的联合、条件和边际概率分布的能力对于许多常见的机器学习任务具有很大的实用性。然而,估计这些分布可能具有挑战性,特别是在数据包含离散和连续变量的混合的情况下。本文提出了一种直接从数据集估计这些分布的非参数方法。数据首先表示为由对象节点和属性值节点组成的图。根据要估计的分布,然后构造适当的特征向量方程。然后求解该方程以找到图的相应平稳分布,然后可以从中估计和采样所需的分布。本文演示了如何将该方法应用于许多常见的机器学习任务,包括分类,回归,缺失值填补,离群值检测,随机向量生成和聚类。
2018-09-19 cs.LG stat.ML
A Unified Graph Selective Prompt Learning for Graph Neural Networks
School of Computer Science and Technology, Anhui University(安徽大学计算机科学与技术学院)
针对现有 GPF 忽视边提示且对节点无差别处理、易受噪声影响的问题,本文提出统一的 GSPF,选择性学习重要节点与边提示,实验验证其更有效、紧凑。
2024-06-15 cs.LG cs.SI
Revisiting Node Affinity Prediction in Temporal Graphs
Ben-Gurion University of the Negev(贝纳尔-戈里翁大学奈杰夫分校);University of Bonn(波恩大学);University of Cambridge(剑桥大学)
本文提出NAVIS模型,通过虚拟状态方法改进时间图中节点亲和预测,结合启发式方法与状态空间模型,提出新损失函数并验证其有效性。
2026-02-22 cs.LG
Weighted Graph Structure Learning with Attention Denoising for Node Classification
Ocean University of China(中国海洋大学)
针对加权图中噪声边和异常权重导致节点分类不准的问题,提出EWGSL方法,融合权重学习与结构学习,改进注意力系数和损失函数,平均Micro-F1提升17.8%。
2025-03-29 cs.AI cs.LG
Explaining and Adapting Graph Conditional Shift
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Google Research(谷歌研究院)
该研究通过理论分析揭示图异配性与模型架构会加剧输入特征和标签间的条件偏移,并提出估计与最小化该偏移的无监督图域适应方法,在合成及真实分类任务中显著提升鲁棒性。
2023-06-05 cs.LG stat.ML
Adapting Stochastic Block Models to Power-Law Degree Distributions
Hangzhou Dianzi University(杭州电子科技大学);University of Technology Sydney(悉尼科技大学);Hong Kong Polytechnic University(香港理工大学);University of Sydney(悉尼大学)
随机块模型(SBM)在网络数据簇或社区结构建模中发挥着重要作用。但是,它无法处理现实世界中普遍存在的几个复杂特征,其中之一是幂律度特征。为此,我们提出了一个新的变体SBM,称为幂律度SBM(PLD-SBM),通过引入度衰减变量来明确编码所有节点上的不同度分布。在指数先验下,证明了PLD-SBM近似保持了真实网络的无标度特性。此外,从变分E-Step的推论,PLD-SBM确实是通过引入度衰减因子来校正SBM中继承的偏差。此外,在合成网络和两个真实世界的数据集,包括青少年健康数据和政治博客网络上进行的实验验证了所提出的模型在聚类预测精度方面的有效性。
2019-04-05 cs.LG cs.SI stat.ML
Can Graph Neural Networks Go "Online"? An Analysis of Pretraining and Inference
Kiel University(基尔大学);ZBW – Leibniz Information Centre for Economics(莱布尼茨经济信息中心);University of Essex(埃塞克斯大学)
实际应用中的大规模图数据往往不是静态的,而是动态的。例如,新的节点和边随着时间出现。当前的图卷积方法是有前途的,特别是当所有图的节点和边在训练期间可用时。当在训练后插入看不见的节点和边时,尚未评估向上训练还是从头开始重新训练是优选的。我们构建了一个实验设置,在该设置中,我们在训练后插入以前看不见的节点和边,并进行有限数量的推理时期。在这个设置中,我们比较了适应预训练的图神经网络和从头开始重新训练。我们的研究结果表明,预训练的模型在看不见的节点上产生了高准确性分数,并且预训练优于从头开始重新训练。我们的实验代表了评估和开发真正的图神经网络在线变体的第一步。
2019-05-15 cs.LG stat.ML
Multi-View Graph Feature Propagation for Privacy Preservation and Feature Sparsity
Tel Aviv University(特拉维夫大学)
针对图神经网络在节点分类中面临的特征稀疏和隐私泄露问题,提出多视图特征传播(MFP)框架,通过多视图高斯噪声特征传播增强分类性能并保护隐私,实验表明其优于基线且隐私性更佳。
2025-10-13 cs.AI cs.LG
It is all Connected: A New Graph Formulation for Spatio-Temporal Forecasting
University of Oslo(奥斯陆大学);Institute for Energy Systems (IFE)(能源系统研究所(IFE))
随着现代社会中传感器数量的不断增加,时空时间序列预测已成为对未来做出明智决策的事实上的工具。大多数时空预测模型通常包括学习空间和时间依赖性的不同组件。一种常见的方法采用一些图神经网络(GNN)来捕获空间位置之间的关系,而另一种网络,如递归神经网络(RNN),则学习时间相关性。通过将每个记录的样本表示为图中其自己的节点,而不是将特定位置的所有测量值表示为单个节点,时间和空间信息以类似的方式编码。在这种情况下,GNN现在可以直接学习时间和空间依赖性,同时还可以减少对额外时间网络的需求。此外,该框架不要求在时间维度上进行一致的测量,这意味着它也自然有助于处理不规则的时间序列、不同的采样频率或缺失的数据,而不需要进行数据填补。为了评估所提出的方法,我们将风速预测作为一个案例研究,其中我们提出的框架优于其他时空模型,使用带有Transformer或LSTM网络的GNN作为时间更新函数。
2023-03-23 cs.LG
HeteGraph-Mamba: Heterogeneous Graph Learning via Selective State Space Model
Northwestern University(西北大学);Texas A&M University(德克萨斯农工大学)
提出HGMN,首次将选择性状态空间模型用于异构图学习,通过两级标记化捕获长距离依赖,在异构基准上超越19种最先进方法。
2024-05-22 cs.LG cs.SI
Drop the mask! GAMM-A Taxonomy for Graph Attributes Missing Mechanisms
Laboratoire Hubert Curien(Hubert Curien实验室);Télécom Paris, Institut Polytechnique de Paris(巴黎电信学院,巴黎理工学院)
本文提出GAMM分类法,用于分析图属性缺失机制,揭示传统填补方法在图感知缺失场景中的不足。
2026-02-09 cs.LG cs.SI
Node-oriented Spectral Filtering for Graph Neural Networks
Institute of Information Science, Beijing Jiaotong University(北京交通大学信息科学研究所);Beijing Key Laboratory of Advanced Information Science and Network Technology(北京先进信息科学与网络技术重点实验室)
针对GNN低通滤波难以适应非亲同图中局部模式变化的问题,本文提出面向节点的谱滤波网络NFGNN,通过逐节点估计滤波器和重参数化实现局部自适应与全局一致性的平衡,并在实验中验证了其优越性能。
2023-10-26 cs.LG cs.SI
Aggregate to Adapt: Node-Centric Aggregation for Multi-Source-Free Graph Domain Adaptation
National University of Singapore(新加坡国立大学)
本文针对多源无源无监督图领域自适应问题,提出节点级聚合模型 GraphATA,通过根据节点局部上下文动态聚合多个源预训练模型的权重矩阵,在无需访问源图数据的情况下实现图结构上的动态适配,并在多个数据集上超越现有方法。
2025-02-05 cs.LG
Tiered Graph Autoencoders with PyTorch Geometric for Molecular Graphs
IBM(国际商业机器公司)
分子图的分层潜在表示和潜在空间提供了一种简单但有效的方式来显式地表示和利用组(例如,官能团),其由原子(节点)层、基团层和分子(图)层组成。它们可以使用分层图形自动编码器架构来学习。在本文中,我们讨论了调整分层图自动编码器以用于PyTorch Geometric,用于确定性分层图自动编码器模型和概率分层变分图自动编码器模型。我们还讨论了分子结构信息源,可以访问提取分子图的训练数据。为了支持迁移学习,关键的考虑是信息必须利用标准的唯一分子和组成原子标识符。由于使用分层图自编码器进行深度学习,每个分子图都具有分层潜在表示。在每一层,潜在表示包括:节点特征,边索引,边特征,隶属度矩阵和节点嵌入。这使得能够单独地(节点层、组层或图形层)或联合地利用和探索分层的分子潜在空间,以及跨层导航。
2019-08-22 cs.LG stat.ML
Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series
Australian National University(澳大利亚国立大学);Data61, CSIRO(联邦科学与工业研究组织数据61所)
我们提出了一个新的模型的时间序列网络,相互影响。时间序列之间的图结构存在于不同的领域,例如受超链接影响的网络流量,受推荐影响的产品销售,或受道路网络和天气影响的城市交通量。最近在图建模和时间序列预测方面分别取得了进展,但是还不存在用于序列网络的表达性和可扩展性方法。我们介绍Radflow,一个新的模型,体现了三个关键的想法:一个循环神经网络,以获得依赖于时间的节点嵌入,从邻近节点的影响流的聚合与多头注意力,和时间序列的多层分解。Radflow自然地考虑了节点和边随时间变化的动态网络,它可以用于预测和数据插补任务。在从几百到几十万个节点的真实数据集上,我们观察到Radflow变体是各种设置中性能最好的模型。Radflow中的经常性组件也优于最先进的时间序列模型N-BEATS。我们表明,Radflow可以学习不同的趋势和季节性模式,它对丢失的节点和边缘具有鲁棒性,并且网络邻居之间的相关时间模式反映了影响力。我们策划了WikiTraffic,这是最大的动态时间序列网络,拥有366 K节点和22 M时间相关链接,跨越五年。该数据集为开发该领域的模型提供了一个开放的基准,其应用程序包括优化网络资源。更广泛地说,Radflow有潜力改进股票市场等相关时间序列网络的预测,并估算地理上分散的自然现象网络中缺失的测量值。
2021-02-15 cs.LG cs.SI