Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs 论文理解

最新推荐文章于 2025-05-17 14:03:15 发布
最新推荐文章于 2025-05-17 14:03:15 发布
阅读量516 收藏 2
点赞数
分类专栏： --------基础算法-------- 文章标签： 机器学习 人工智能 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Rising_shit/article/details/124777703
版权

在这里插入图片描述
还是有点懒，直接粘贴PDF图片了。

Relational inductive biases, deep learning, and graph networks（关系归纳偏差、深度学习和图形网络）
weixin_41697507的博客
07-15 5155
Relational inductive biases, deep learning, and graph networks Peter W. Battaglia1, Jessica B. Hamrick1, Victor Bapst1, Alvaro Sanchez-Gonzalez1, Vinicius Zambaldi1, Mateusz Malinowski1, Andrea Tacche...
Beyond Homophily in Graph Neural Networks Current Limitations and Effective Design
chairuilin的博客
08-11 643
rvkCOMBINErvk−1AGGRruk−1u∈Nˉvrvk​COMBINErvk−1​AGGR({ruk−1​u∈Nˉv})总结:拼接自己和邻居聚合,而不是平均。
《Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs》阅读笔记
LW的技术小筑
10-31 2958
文章概述 作者指出许多流行的GNN模型在泛化到异构图上时性能都很差，为此，作者确定了一组能够帮助提升GNN在异构图上性能的设计： 自嵌入和邻居嵌入分离 聚合更高阶的邻居 将中间层的表示组合作为最后的表示 作者将这些理念应用到了自己设计的H2GCN\text{H}_{2}\text{GCN}H2​GCN上，半监督结点分类任务（semi-supervised node classification task）的实验结果表明，这些idea能有效提升GNN在异构图上的性能，并且在同构图上也能取得不错的性能。 符
Beyond Homophily: Structure-aware Path Aggregation Graph Neural Network
小蚂蚁与大象
08-06 759
为在编码路径的同时保留高阶邻域的上下文，本文提出一种结构感知的路径编码器，具有两个优势:通过循环机制保持顺序，并通过利用到目标节点的距离来捕获上下文结构。具体地说，我们首先引入了一个最大熵路径采样器，它帮助我们对许多包含结构上下文的路径进行采样。然后，我们引入一个结构感知的循环单元，由保序和距离感知组件组成，以学习邻域的语义信息。设计了一种结构感知的循环单元来编码路径嵌入，能够融合路径中每个节点的顺序和距离信息，从而捕获语义信息。进一步，对路径偏好进行建模，区分不同路径的重要性，实现自适应路径嵌入聚合。..
异配图神经网络小结：突破同配性，拥抱异配性
Paper weekly
11-10 3439
©作者 |薄德瑜、王啸单位 |北邮GAMMA Lab研究方向 |图神经网络前言图神经网络（Graph Neural Networks, GNN）在诸多图任务上的巨大潜力已经有目共睹。...
IJCAI 2022 | 超越同质性的图神经网络
Paper weekly
09-06 750
©作者 | 焦子豪单位 |南京邮电大学来源 |MIND Laboratory论文标题：Beyond Homophily: Structure-aware Path Aggregation Graph Neural Network收录会议：IJCAI 2022论文来源：http://yangy.org/works/gnn/IJCAI22_Beyond.pdf论文介绍图神经网络 (GNNs) 已经...
图机器学习峰会-Beyond Homophily in Graph Neural Networks
07-05
在他们的论文“Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs”中，他们讨论了GNNs在处理异质性图时的局限性，并提出了一些有效的设计策略，旨在提高模型对不同类型连接的...
论文《Is Homophily A Necessary for Graph Neural Networks？》笔记
bunny___的博客
05-28 1180
总结一下：一般的研究认为GCN只适用于具有Homophily Assumption（同质性假设）的图，而不适用于异配图，并且针对异配图设计了专门的GNNs。另一方面，同时存在**“好”和“坏”的异配性**，GCN实际上可以在“好”的异配性上获得更强的性能，而它们通常在“坏”的异配性上失败。3、我们仔细调查了使用的同配性和异配性的基准，并利用我们的理论揭示了GCN在它们上面的表现的原因。前者为“好“的异配性，GCN可以获得好的性能，后者为”坏“的异配性，GCN不可以获得好的性能。这样的图有什么特点？
论文《Revisiting Heterophily For Graph Neural Networks》笔记
bunny___的博客
07-17 1441
【ACM】作者从聚合后节点相似性的角度重新审视异配性，并定义了新的同质性度量方法。基于聚合相似度度量这一指标，作者提出了一种新的框架，称为自适应信道混合（Adaptive Channel Mixing，ACM），它通过自适应地利用聚合、多样化和身份信道来提取更丰富的局部信息，以对应不同的节点异配性情况。
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
GNN动手实践(三)：适用于同配图和异配图的高效图神经网络——H2GCN
LW的技术小筑
08-09 2997
H2GCN是NeurIPS 2020上发表的论文《Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs》所提出来的一个同时适用于同配图和异配图的GNN模型。该模型官方也开源了相应的源码（Github），但是是Tensorflow实现的，为此，本文基于Pytorch+PyG来对该模型进行复现。......
会议交流 - CCKS2020 | 2020年全国知识图谱与语义计算大会
Paper weekly
10-18 810
????现在，在「知乎」也能找到我们了进入知乎首页搜索「PaperWeekly」点击「关注」订阅我们的专栏吧关于PaperWeeklyPaperWeekly 是一个推荐、解读、讨论、...
异质图论文阅读
better_zoe_chang的博客
06-17 1337
1 《Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs》 1.1 Contributions （1）三个理论证明，最重要的证明了GCN处理异质图的缺陷； （2）提出了不同hop和不同iterations的特征拼接有助于提高模型准确性； 1.2 Benchmark synthematic dataset、Texas、Wisconsin、Actor、Squirrel、Chameleon、Co
疫情微博内容情感分析
LW的技术小筑
08-29 1万+
一.前言 最近，碰到一个疫情微博情感分类的任务看到挺有意思的，就试了试手，顺便记录了下整个实验的全过程，话不多说，请看下文。 二.数据集简介与预处理 2.1 数据集简介 数据集为疫情期间在微博收集的，原始数据集的存储格式为TXT，其中存储的是一个py的列表对象，列表中包含的每条元素都为一条微博内容及其对应的标签，这里摘取了训练集中的一条数据来进行直观的展示： {"id": 26, "content": "#全国确诊新型肺炎病例# http://t.cn/RXnNTiO ??福州", "label": "ne
cs224w 图神经网络 学习笔记（十八/十九）Limitations of Graph Neural Networks & Applications of Graph Neural Networks
喵木木的博客
12-08 1258
课程链接：CS224W: Machine Learning with Graphs 课程视频：【课程】斯坦福 CS224W: 图机器学习 (2019 秋 | 英字) 目录1. 前言2. Limitations of conventional GNNs in capturing graph structure3. Vulnerability of GNNs to noise in graph data4. Open questions & Future direction 1. 前言 IDEA:.
图神经网络（Graph Neural Networks）概述
热门推荐
看我，看我，还看我，再看我就把你吃掉！
06-04 7万+
论文：A Comprehensive Survey on Graph Neural Networks 一篇关于图神经网络的综述文章，着重介绍了图卷积神经网络（GCN），回顾了近些年的几个主要的图神经网络的的体系：图注意力网络、图自编码机、图生成网络、图时空网络。 1、介绍 传统的机器学习所用到的数据是欧氏空间（Euclidean Domain）的数据，欧氏空间下的数据最显著的特征就是有着规则...
NIPS2018 | 腾讯AI Lab入选20篇论文，含2篇Spotlight
腾讯AI实验室
10-15 937
感谢阅读腾讯AI Lab第43篇文章。我们将深度解析机器学习领域顶会NIPS（2018）上，腾讯AI Lab入选的的20篇论文。被誉为神经计算和机器学习领域两大顶级会议之...
机器学习，深度学习，神经网络，深度神经网络之间有何区别？
最新发布
2501_91695603的博客
05-17 592
某种意义上也可以理解为一定的有监督，但其又不是完全将奖励值作为学习目标，并且一般是实时的，基于概率去抽样下一步行为的，所以又有着一定的区别。因为只需要一部分有标签的数据，所以只需要人工标注一些数据即可，又不像无监督一样，毫无答案可言，所以基于人力资源和效果上的综合考虑，现在半监督学习也是一个比较受关注的方向。可以看到在 d、e层就已经超越了人类的理解范畴，更别说到了后面层的特征图。除了以上两点，深度神经网络还有许多其他的优势，但是限于篇幅，这里就不再展开讨论，有兴趣的小伙伴们可以查阅更多的资料。
机器学习+城市规划第十一期：地理加权回归（GWR）空间可视化实战：三张地图一目了然！
weixin_68198036的博客
05-15 486
可视化图作用推荐色带GWR_coef看变量空间影响coolwarmGWR_resid看预测误差方向bwrlocal_R2看模型拟合能力YlGnBu空间分析的核心不只是建模，而是通过可视化让空间变得可感知、可沟通、可决策。在城市规划、空间回归、空间经济等领域，不妨用 GWR + 可视化，一图胜千言！@原创声明：本教程由课题组内部教学使用，利用优快云平台记录，不进行任何商业盈利。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值