Node Classification
PulseAugur coverage of Node Classification — every cluster mentioning Node Classification across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
EDiS框架优化图神经网络训练效率
研究人员推出了一种新颖的EDiS框架，旨在通过解决边选择相关的计算成本来优化图神经网络（GNNs）的训练。EDiS将初始结构提取与每轮训练的图组合分开，允许缓存的边不相交子图的重用。这种方法能够在无需重复结构提取的情况下，跨训练轮次动态重组图，从而提高性能和效率，尤其是在边缘预算紧张的情况下。该框架在各种节点分类基准测试中均显示出优于现有方法的性能。
-
新框架评估节点分类中的认知不确定性降低
研究人员开发了一个新的统计框架来研究节点分类中的认知不确定性，重点关注随着数据生成过程信息的可用性增加，不确定性如何降低。现有的图证据深度学习（EDL）方法被发现通过超参数调节不确定性，而不是直接估计数据不确定性，在信息增长下未能通过一致性测试。作为替代，提出了图自举集成方法，该方法通过重采样和随机训练捕获数据和过程不确定性，展示了超越标准深度集成方法的认知不确定性降低。
-
新框架使用谱矩来指导图结构分析
研究人员开发了一个名为“动量引导的边采样”的新颖框架，以更好地理解和控制图结构局部变化如何影响其整体属性。该方法利用随机游走转移矩阵的谱矩来量化添加或删除边的影响。该框架提供了高效的计算方法，将单边编辑的复杂度从 O(mn) 降低到 O(m)，并证明保留这些矩可以有效地保留相关的结构属性，如三角形加权聚类系数。通过提供可解释的结构签名，这种方法对改进图学习任务（如节点分类和图对比学习）具有启示意义。
-
新的非线性拉普拉斯算子增强了用于有向符号数据的图神经网络
研究人员开发了一种新的非线性拉普拉斯算子，称为 NLSD，专门用于有向符号图。该算子通过计算特定于节点的势能，并仅在势能差异与边的方向一致的边上利用消息传递技术，来扩展现有的有向和符号图概念。基于该算子的 NLSD-GNN 框架在各种数据集的节点分类和链接预测任务中表现出卓越的性能，有效地整合了符号和方向信息。
-
New protocol for GNN cross-task transfer reveals directional predictability
研究人员开发了一种新的协议，用于可靠地评估图神经网络（GNN）在节点分类（NC）和链接预测（LP）任务中的跨任务迁移。他们的发现表明，从NC到LP的迁移通常是有益的，尤其是在同质性图上，而从LP到NC的迁移则不太一致，有时甚至会降低性能。该研究还引入了CoTask Score（CTS）来衡量联合效用，并提出简单的图数据集统计信息（如同质性）可以帮助预测和减轻负迁移。
-
研究质疑异构图神经网络在节点分类任务上的有效性
一篇新发表在arXiv上的研究论文探讨了异构图神经网络（HGNNs）在节点分类任务上的有效性。研究人员在21个数据集和20个基线模型上进行了广泛的复现，发现模型架构和复杂性并不会对性能产生因果影响。该研究开发了一个因果中介分析框架，证明了异构信息通过增加同质性和局部-全局分布差异，使得节点类别更易区分，从而对节点分类产生积极影响。
-
Aitchison几何驱动新的成分图嵌入和风味标记器校准
两篇新的arXiv论文引入了使用Aitchison几何的表示学习新方法。一篇论文提出了一种通过将高能物理中的风味标记器校准构建为概率单纯形上的最优传输问题来校准风味标记器的框架。另一篇论文提出了一个成分图嵌入框架，该框架利用Aitchison几何为节点分类和链接预测等图机器学习任务创建可解释的嵌入。