近期必读的六篇 IJCAI 2020【图神经网络 (GNN)+数据挖掘（DM）】相关论文

【导读】IJCAI（国际人工智能联合会议，International Joint Conferences on Artificial Intelligence）作为人工智能领域最顶级的国际学术会议之一，IJCAI 的举办自然备受瞩目。第29届国际人工智能联合会议和第17届环太平洋国际人工智能会议原定于2020年7月11日在日本横滨召开，但由于疫情影响，将延期半年，至 2021年1月召开。近期，IJCAI 2020 论文集已经放出来。在 4717 份有效投稿中，最终仅有 592 篇被接收，接收率为 12.6%，这也是 IJCAI 史上最低的接收率。我们发现在今年的IJCAI 2020会议上图神经网络相关的论文非常多，今天小编专门整理最新6篇图神经网络（GNN）应用在数据挖掘上的相关论文——多通道GNN、自适应时空图卷积、会话流GNN、双重注意力GNN、域自适应HIN、双线性GNN

IJCAI 2020 Accepted Paper: https://www.ijcai.org/Proceedings/2020/

IJCAI2020GNN_Part1、ICML2020GNN_Part1、KDD2020GNN_Part1、CVPR2020SGNN、CVPR2020GNN_Part2、CVPR2020GNN_Part1、WWW2020GNN_Part1、AAAI2020GNN、ACMMM2019GNN、

1、Multi-Channel Graph Neural Networks

作者：Kaixiong Zhou, Qingquan Song, Xiao Huang, Daochen Zha, Na Zou, Xia Hu

摘要：在许多学科中，图结构数据的分类已变得越来越重要。已经观察到，现实世界图中的隐式或显式分层社区结构可能对下游分类应用有用。利用层次结构的一种直接方法是利用池化算法将节点聚类为固定簇（cluster），然后逐层缩小输入图以学习池化图。但是，池化缩小（ pool shrinking）会舍弃图的详细信息，从而难以区分两个非同构图，并且固定簇忽略了节点固有的多重特征。为了补偿缩小损失并了解各个节点的特性，我们提出了多通道图神经网络（MuchGNN）。受卷积神经网络中提出的底层机制的启发，我们定义了定制的图卷积，以学习每一层的一系列图通道，并按层次缩小图以对合并的结构进行编码。真实数据集上的实验结果证明了MuchGNN优于最新方法。

网址： https://www.ijcai.org/Proceedings/2020/0188.pdf

2、GraphSleepNet: Adaptive Spatial-Temporal Graph Convolutional Networks for Sleep Stage Classification

作者：Ziyu Jia, Youfang Lin, Jing Wang, Ronghao Zhou, Xiaojun Ning, Yuanlai He, Yaoshuai Zhao

摘要：睡眠阶段分类对于睡眠评估和疾病诊断至关重要。但是，如何有效利用大脑的空间特征和睡眠阶段之间的转换信息仍然是一个挑战。特别地，由于对人脑的了解有限，为睡眠阶段分类预定义合适的空间脑连接结构仍然是一个悬而未决的问题。在本文中，我们提出了一种新颖的深度图神经网络，名为GraphSleepNet，用于自动睡眠阶段分类。GraphSleepNet的主要优点是可以自适应地学习以邻接矩阵表示的不同脑电图（EEG）通道之间的内在联系，从而为时空图卷积网络（ST-GCN）提供服务，以进行睡眠阶段分类。同时，ST-GCN由用于提取空间特征的图形卷积和用于捕获睡眠阶段之间的转换规则的时间卷积组成。蒙特利尔睡眠研究档案（MASS）数据集上的实验表明GraphSleepNet优于最新的基线。

网址： https://www.ijcai.org/Proceedings/2020/0184.pdf

3、GraphFlow: Exploiting Conversation Flow with Graph Neural Networks for Conversational Machine Comprehension

作者：Yu Chen, Lingfei Wu, Mohammed J. Zaki

摘要：事实证明，与传统MC相比，会话机器理解（MC）更具挑战性，因为它需要更好地利用会话历史记录。但是，大多数现有方法无法有效地捕获会话历史记录，因此难以处理涉及的指代或省略号的问题。此外，在对段落文本进行推理时，大多数人只是将其视为单词序列，而没有探索单词之间丰富的语义关系。在本文中，我们首先提出一种简单而有效的图结构学习技术，以在每次对话转折时动态构造一个具有问题和会话历史意识的上下文图。然后，我们提出了一种新颖的递归图神经网络，并在此基础上，引入了一种flow机制来对一系列上下文图中的时间依赖性进行建模。与现有的CoQA，QuAC和DoQA基准的最新技术相比，我们所提出的GRAPHFLOW模型可以有效地捕获会话中的对话流，并显示出可竞争的性能。此外，可视化实验表明，我们提出的模型可以为推理过程提供良好的可解释性。

网址： http://www.cs.rpi.edu/~zaki/PaperDir/IJCAI20.pdf

4、GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions

作者：Hanchen Wang, Defu Lian, Ying Zhang, Lu Qin, Xuemin Lin

摘要：实体交互预测在许多重要应用中至关重要，例如化学，生物学，材料科学和医学。当每个实体由复杂结构（即结构化实体）表示时，该问题变得非常具有挑战性，因为涉及两种类型的图：结构化实体的局部图和捕获结构化实体之间的交互的全局图。我们注意到，现在有关结构化实体交互预测的工作无法正确利用图模型的唯一图。在本文中，我们提出了一种图神经网络图（Graph of Graphs Neural Network，GoGNN），它以分层的方式提取结构化实体图和实体交互图中的特征。我们还提出了双重注意机制，该机制使模型能够在图的两个级别中保留邻居的重要性。在现实世界的数据集上进行的大量实验表明，GoGNN在两个代表性的结构化实体交互预测任务上胜过了最新技术：化学-化学交互预测和药物-药物交互预测。

代码：

https://github.com/Hanchen-Wang/GoGNN

网址： https://www.ijcai.org/Proceedings/2020/0183.pdf

5、Domain Adaptive Classification on Heterogeneous Information Networks

作者：Shuwen Yang, Guojie Song, Yilun Jin, Lun Du

摘要：异构信息网络（HIN）是无处不在的结构，因为它们可以描述复杂的关系数据。由于这些数据的复杂性，很难在HIN上获得足够的标记数据，从而妨碍了HIN的分类。虽然领域适应（DA）技术已在图像和文本中得到广泛利用，但是异构性和复杂的语义对HIN上的领域自适应分类提出了特定的挑战。一方面，HIN涉及多个级别的语义，这要求在它们之间进行域对齐。另一方面，由于域不变性特征是同质的并且对分类没有信息，因此必须精心选择域相似性和可区分性之间的权衡。在本文中，我们提出了多空间域自适应分类（MuSDAC）来解决HIN上的DA问题。具体来说，我们利用多通道共享权重GCN，将HIN中的节点投影到执行成对对齐的多个空间。此外，我们提出了一种启发式采样算法，该算法可以有效地选择具有可区分性的通道组合，并采用移动平均加权投票（moving averaged weighted voting）方案来融合所选通道，从而最大程度地减少传输和分类损失。在成对数据集上进行的大量实验证明了我们模型在HIN领域自适应分类和各个组成部分的贡献方面的表现。

网址： https://www.ijcai.org/Proceedings/2020/0196.pdf

6、Bilinear Graph Neural Network with Neighbor Interactions

作者：Hongmin Zhu, Fuli Feng, Xiangnan He, Xiang Wang, Yan Li, Kai Zheng, Yongdong Zhang

摘要：图神经网络（GNN）是一个功能强大的模型，可用于学习表示形式并对图形数据进行预测。对GNN的现有工作已将图卷积定义为所连接节点的特征的加权和，以形成目标节点的表示形式。然而，加权和的运算假设相邻节点彼此独立，并且忽略它们之间可能的交互。当存在这样的交互时，例如两个邻居节点的同时出现是目标节点特征的强烈信号，现有的GNN模型可能无法捕获该信号。在这项工作中，我们认为在GNN中对相邻节点之间的交互进行建模是十分重要的。我们提出了一种新的图卷积算子，该算子通过邻居节点表示的成对交互来增加加权和。我们将此框架称为双线性图神经网络（ Bilinear Graph Neural Network ，BGNN），该框架可通过相邻节点间的双线性交互双线性来提高GNN表示能力。特别是，我们分别基于著名的GCN和GAT指定了两个名为BGCN和BGAT的BGNN模型。关于三个半监督节点分类的公开基准的实证结果证明了BGNN的有效性-BGCN（BGAT）在分类准确度方面比GCN（GAT）高1.6％（1.5％）。