节点分类相关 AI 资讯 · AI 热点

7月31日

12:23

12:23

官方账号arXiv cs.LG@Neelam Akula, Surbhi Kumar, Murat Kantarcioglu, Baris Coskunuzer

论文提出一套无泄漏的 NC→LP 同图跨任务迁移协议，固定节点和边划分，并用排除被评估边的共享消息传递图配合固定负样本。在 GCN、GraphSAGE、GPS 三种主干上，实验显示迁移方向性很强：同质图上 NC→LP 稳定有益，而 LP→NC 在朴素表征复用时可能降低精度。LP→NC 主要只有在结构主导（LP 容易、NC 未饱和）时正向，说明 LP 相当于结构预训练。最后，论文提出 CoTask Score（CTS）来综合衡量共享编码器的 NC+LP 联合效用，并发现同质性等统计量可指导选择、避免负迁移。

论文 GCN GraphSAGE GPS

推荐理由：同一张图上节点分类和链接预测怎么互相迁移？这篇用 GCN/GraphSAGE/GPS 跑出规律，还给了 CTS 分数避免负迁移。

7月16日

09:31

09:31

官方账号arXiv cs.AI@Nan Chen, Zemin Liu, Bryan Hooi, Bingsheng He, Jun Hu, Jia Chen

论文提出NodeImport框架，针对图神经网络在类不平衡场景下对少数类过拟合的问题。该方法通过构建平衡元集来测量节点重要性，筛选出能提升无偏模型性能的标签、未标签及合成节点。理论推导出直接评估节点重要性的公式，并引入阈值用于节点选择。在多个数据集上使用GCN、GAT等架构进行测试，结果优于现有基线方法。

论文 NodeImport 图神经网络类别不平衡

推荐理由：这篇论文讲怎么解决图数据里类别不平衡的问题，NodeImport能动态挑出重要节点，不用重新生成太多假数据，效果还比现有方法好。做图神经网络、节点分类的可以看看方法细节。

6月8日

09:37

09:37

官方账号arXiv cs.AI@Takuto Takahashi, Itsuki Nakayama, Takahiro Mitani, Ryosuke Kikuchi, Yuya Sasaki, Makoto Onizuka

图神经网络在同配图上表现优异，但在异配图（不同类节点更易相连）上性能受限。现有GNN无法捕捉异配图中常见的高阶类标签连通性。研究者提出标签上下文分类器（LCC），通过四种随机游走生成标签上下文嵌入，捕获高阶标签连通性。LCC可与任意GNN集成，并自适应学习其重要性。实验表明，集成LCC的GNN在异配有向图上超越现有方法。

论文图神经网络异配图节点分类

推荐理由：异配图分类是GNN的长期痛点，LCC用高阶标签连通性解决了这个问题，做图分析或社交网络研究的开发者可以直接参考实验方法。