i3****526 2020-11-06
图神经网络(GNNs)<br>图学习中一种主流的技术<br>标准的传导节点网络的分类基准结果,通过将忽略图结构的浅层模型与利用标签结构中相关性的两个简单后处理步骤相结合,可以超越或匹配SOTA的GNN性能,这里主要有两个相关性(i)将训练数据中的残余误差带到测试数据中,用于矫正错误的“误差相关性”,以及(ii)一个“预测相关性”,它可以平滑测试数据上的预测。整个过程为矫正且平滑,后处理步骤是通过对早期基于图的半监督学习方法的标准标签传导技术的简单修改来实现的。<br>如何直接将标签信息纳入学习算法,并产生简单而实质性的性能提升,也可以将技术融入大型GNN模型中,提供适度增益?随着神经网络在计算机视觉和自然语言处理方面的成功,现在有许多的图神经网络GNN来对关系性数据进行预测。这些模型已经取得了很大的成功,并且在开放的图基准排行榜上名列前茅。通常,GNN的方法主要是围绕着创建比基本结构更具表现力的体系结构,如图卷积网络GCN或GraphSAGE;例子如图注意力网络,图同构网络和各种深层模型。许多新GNN架构的想法都是从语言(例如注意力)或视觉例如深层CNN模型中新架构改编而来的,希望能成功转化为图形。