题目: Graph Random Neural Networks

摘要:

图神经网络(GNNs)将深度学习方法推广到图结构数据中,在图形挖掘任务中表现良好。然而,现有的GNN常常遇到具有标记节点的复杂图结构,并受到非鲁棒性、过度平滑和过拟合的限制。为了解决这些问题,本文提出了一个简单而有效的GNN框架——图随机神经网络(Grand)。与现有GNNs中的确定性传播不同,Grand采用随机传播策略来增强模型的鲁棒性。这种策略也很自然地使Grand能够将传播从特征转换中分离出来,减少了过度平滑和过度拟合的风险。此外,随机传播是图数据扩充的一种有效方法。在此基础上,利用无标记节点在多个扩展中的分布一致性,提高模型的泛化能力,提出了Grand的一致性正则化方法。在图形基准数据集上的大量实验表明,Grand在半监督的图形学习任务上显著优于最先进的GNN基线。最后,证明了它可以显著减轻过度平滑和过度拟合的问题,并且它的性能与鲁棒性相结合。

成为VIP会员查看完整内容
133

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【ICML2020】持续图神经网络,Continuous Graph Neural Networks
专知会员服务
125+阅读 · 2020年6月28日
【ICLR2020-】基于记忆的图网络,MEMORY-BASED GRAPH NETWORKS
专知会员服务
102+阅读 · 2020年2月22日
必读的7篇 IJCAI 2019【图神经网络(GNN)】相关论文
专知会员服务
88+阅读 · 2020年1月10日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
论文浅尝 | GMNN: Graph Markov Neural Networks
开放知识图谱
20+阅读 · 2020年2月14日
图神经网络(Graph Neural Networks,GNN)综述
极市平台
86+阅读 · 2019年11月27日
Graph Neural Networks 综述
计算机视觉life
24+阅读 · 2019年8月13日
CNN已老,GNN来了!清华大学孙茂松组一文综述GNN
全球人工智能
15+阅读 · 2018年12月26日
Geometric Graph Convolutional Neural Networks
Arxiv
9+阅读 · 2019年9月11日
Position-aware Graph Neural Networks
Arxiv
12+阅读 · 2019年6月11日
Arxiv
16+阅读 · 2019年3月28日
Arxiv
9+阅读 · 2018年2月4日
Arxiv
6+阅读 · 2018年1月10日
VIP会员
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
论文浅尝 | GMNN: Graph Markov Neural Networks
开放知识图谱
20+阅读 · 2020年2月14日
图神经网络(Graph Neural Networks,GNN)综述
极市平台
86+阅读 · 2019年11月27日
Graph Neural Networks 综述
计算机视觉life
24+阅读 · 2019年8月13日
CNN已老,GNN来了!清华大学孙茂松组一文综述GNN
全球人工智能
15+阅读 · 2018年12月26日
相关论文
微信扫码咨询专知VIP会员