圖神經(jīng)網(wǎng)絡(luò)（GNN）是一類專門針對圖結(jié)構(gòu)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型，在社交網(wǎng)絡(luò)分析、知識圖譜等領(lǐng)域中取得了不錯的效果。近來，相關(guān)研究人員在GNN的可解釋性、架構(gòu)搜索、對比學(xué)習(xí)等方面做了很多探究。

本周精選了10篇GNN領(lǐng)域的優(yōu)秀論文，來自中科院計算所、北郵、牛津大學(xué)、清華大學(xué)等機構(gòu)。

每日新論文也可登錄小程序查看（??：AMiner訂閱）

1. Rethinking GNN-based Entity Alignment on Heterogeneous Knowledge Graphs: New Datasets and A New Method?
作者：Xuhui Jiang,Chengjin Xu,Yinghan Shen,Fenglong Su,Yuanzhuo Wang,Fei Sun,Zixuan Li,Huawei ShenAI華同學(xué)綜述（大模型驅(qū)動）：在本文中,我們研究了具有高度異構(gòu)的特征對齊方法的性能。首先,我們擴展了不合理的條件,并提出了兩個新的HHKG（高度異構(gòu)）數(shù)據(jù)集,這些數(shù)據(jù)集模仿真實世界EA（實體對齊）場景。然后,基于提出的數(shù)據(jù)集,我們進(jìn)行了廣泛的研究來評估以前的代表性EA方法,并揭示了一些關(guān)于現(xiàn)有基于GNN的方法進(jìn)步的令人驚訝的結(jié)論。結(jié)果表明,結(jié)構(gòu)信息會變得難以利用,但仍很有價值。最后，我們介紹了一種簡單但有效的方法：Simple-HHEA。

鏈接：https://www.aminer.cn/pub/64337e3190e50fcafd76ef98

2. Counterfactual Learning on Graphs: A Survey?

作者：Zhimeng Guo,Teng Xiao,Charu Aggarwal,Hui Liu,Suhang Wang

AI華同學(xué)綜述（大模型驅(qū)動）：圖形結(jié)構(gòu)化數(shù)據(jù)在現(xiàn)實生活中很受歡迎,如社交網(wǎng)絡(luò)、蛋白質(zhì)圖和交易網(wǎng)絡(luò)。然而,這些GNN的缺點包括無法解釋訓(xùn)練數(shù)據(jù)、容易繼承訓(xùn)練數(shù)據(jù)的偏差以及無法對因果關(guān)系建模。最近,圖上的反事實學(xué)習(xí)在減輕這些缺點方面顯示出有希望的結(jié)果。為了促進(jìn)這種有前景的方向的發(fā)展,我們將現(xiàn)有的方法分成四個類別,根據(jù)研究問題進(jìn)行了分類。對于每個類別,我們提供了背景和激勵示例, 我們編譯了一個開源實現(xiàn)、公共數(shù)據(jù)集和常用評估指標(biāo)的集合。

鏈接：https://www.aminer.cn/pub/642ce6f390e50fcafde74c9c

3. Abnormal Event Detection via Hypergraph Contrastive Learning?

作者：Bo Yan,Cheng Yang,Chuan Shi,Jiawei Liu,Xiaochen Wang

AI華同學(xué)綜述（大模型驅(qū)動）：基于超圖的異常事件檢測本文首先研究了無監(jiān)督的異常事件檢測問題。這些事件被視為屬性異構(gòu)信息網(wǎng)絡(luò)（AHIN）的星型模式實例,并通過hypergraph模型進(jìn)一步模擬。提出了一種新的超圖對比學(xué)習(xí)方法,稱為AEHCL，用于完全捕捉異常事件模式。該算法設(shè)計了內(nèi)部事件和外部事件的對比模塊,以利用自監(jiān)督的AHIN信息。在測試階段,提出了基于對比學(xué)習(xí)的異常事件評分函數(shù)來衡量事件異常程度。實驗證明了該算法的有效性,結(jié)果提高了基線水平高達(dá)12%。

鏈接：https://www.aminer.cn/pub/642ce6f390e50fcafde74b7c

4. SGDP: A Stream-Graph Neural Network Based Data Prefetcher?查看論文

作者：Yiyuan Yang,Rongshang Li,Qiquan Shi,Xijun Li,Gang Hu,Xing Li,Mingxuan Yuan

AI華同學(xué)綜述（大模型驅(qū)動）：本文提出了一種基于流圖神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)預(yù)取器(SGDP)。該方法使用一個加權(quán)有向圖結(jié)構(gòu)來表示跨流交互。此外,我們通過不同的流構(gòu)造將SGDP擴展到不同的變體中,進(jìn)一步擴大其應(yīng)用場景,并證明了它的魯棒性。

鏈接：https://www.aminer.cn/pub/6434cfcc90e50fcafd7a0044

5. GraphMAE2: A Decoding-Enhanced Masked Self-Supervised Graph Learner?

作者：Zhenyu Hou,Yufei He,Yukuo Cen,Xiao Liu,Yuxiao Dong,Evgeny Kharlamov

AI華同學(xué)綜述（大模型驅(qū)動）：在圖自監(jiān)督學(xué)習(xí)中，掩碼圖形自動編碼器（例如 GraphMAE）一種生成方法—最近產(chǎn)生了有希望的結(jié)果。?這背后的想法是用自動編碼器架構(gòu)重建節(jié)點特征（或結(jié)構(gòu)）—從輸入中隨機屏蔽掉的特征。?然而，掩蔽特征重建的性能自然依賴于輸入特征的可辨別性，并且通常容易受到特征干擾的影響。本文描述了一種基于圖的自我監(jiān)督學(xué)習(xí)框架 ,其思想是將節(jié)點特征(或結(jié)構(gòu))從輸入中重新構(gòu)造。在本文中,我們設(shè)計了多視圖隨機重新掩碼解碼和潛在表示預(yù)測的策略來規(guī)范特征重建。大量的實驗表明,該算法可以在各種公共數(shù)據(jù)集上產(chǎn)生迄今為止最好的基線結(jié)果。

鏈接：https://www.aminer.cn/pub/64363413cf18aa11d8b55a06

6. A Comprehensive Survey on Deep Graph Representation Learning?

作者：Wei Ju,Zheng Fang,Yiyang Gu,Zequn Liu,Qingqing Long,Ziyue Qiao,Yifang Qin,Jianhao Shen,Fang Sun,Zhiping Xiao,Junwei Yang,Jingyang Yuan,Yusheng Zhao,Xiao Luo,Ming Zhang

AI華同學(xué)綜述（大模型驅(qū)動）：圖表示學(xué)習(xí)旨在有效地將高維圖結(jié)構(gòu)化數(shù)據(jù)編碼成低維緊湊的向量。這是一系列廣泛研究的領(lǐng)域之一,包括機器學(xué)習(xí)和數(shù)據(jù)挖掘。傳統(tǒng)方法遵循了基本假設(shè), 圖中互連節(jié)點的嵌入向量仍然可以保持相對較近的距離,以保護(hù)圖中的結(jié)構(gòu)信息。然而,這是次優(yōu)的,因為(i)傳統(tǒng)的方法模型容量有限，從而限制了學(xué)習(xí)能力；(ii)現(xiàn)有技術(shù)通常依賴于無監(jiān)督學(xué)習(xí)策略,無法與最新的學(xué)習(xí)范式相匹配;(iii)表示學(xué)習(xí)和下游任務(wù)相互關(guān)聯(lián),需要共同增強。鏈接：https://www.aminer.cn/pub/643621a290e50fcafd666076

7. Neural Multi-network Diffusion towards Social Recommendation?

作者：Boxin Du,Lihui Liu,Jiejun Xu,Fei Wang,Hanghang Tong

AI華同學(xué)綜述（大模型驅(qū)動）：圖神經(jīng)網(wǎng)絡(luò)(GNN)已被廣泛應(yīng)用于各種現(xiàn)實應(yīng)用,如社交推薦。然而,現(xiàn)有的基于圖的社交建議模型面臨著嚴(yán)重的泛化和過度平滑的問題。在本文中,我們提出了一種簡潔的多網(wǎng)絡(luò)GNN的神經(jīng)模型(NeMo)。與現(xiàn)有的方法相比,該提出的模型探討了生成負(fù)采樣策略,并利用正負(fù)用戶-實體之間的相互作用來促進(jìn)用戶的興趣傳播。實驗表明,該模型優(yōu)于各種實際基線數(shù)據(jù)集的先進(jìn)水平基線。

鏈接：https://www.aminer.cn/pub/643621a190e50fcafd665f65

8. Hyperbolic Geometric Graph Representation Learning for Hierarchy-imbalance Node Classification?

作者：Xingcheng Fu,Yuecen Wei,Qingyun Sun,Haonan Yuan,Jia Wu,Hao Peng,Jianxin Li

AI華同學(xué)綜述（大模型驅(qū)動）：學(xué)習(xí)圖中不平衡樣本的無偏節(jié)點表示已成為一個更加引人注目和重要的話題。在現(xiàn)實場景中，圖數(shù)據(jù)的層次結(jié)構(gòu)揭示了圖的重要拓?fù)鋵傩?，并與廣泛的應(yīng)用相關(guān)。我們提出了一種名為 HyperIMBA 的新型雙曲線幾何層次結(jié)構(gòu)不平衡學(xué)習(xí)框架，以緩解由標(biāo)記節(jié)點的層次結(jié)構(gòu)級別不均勻和跨層次結(jié)構(gòu)連接模式引起的層次結(jié)構(gòu)不平衡問題。實驗結(jié)果證明了HyperIMBA對層次不平衡節(jié)點分類任務(wù)的有效性。

鏈接：https://www.aminer.cn/pub/643621a290e50fcafd666079

9. Adversarially Robust Neural Architecture Search for Graph Neural Networks?

作者：Beini Xie,Heng Chang,Ziwei Zhang,Xin Wang,Daixin Wang,Zhiqiang Zhang,Rex Ying,Wenwu Zhu

AI華同學(xué)綜述（大模型驅(qū)動）：圖神經(jīng)網(wǎng)絡(luò)在關(guān)系數(shù)據(jù)中取得了巨大的成功。盡管如此，它們?nèi)匀蝗菀资艿綄剐怨簟，F(xiàn)有的防御方法 既不能保證新的數(shù)據(jù)/任務(wù)或敵方攻擊的能力，也不能從架構(gòu)角度提供對于GNN魯棒性的理解。我們提出了一種新的魯棒神經(jīng)架構(gòu)搜索（NAS）框架G-RNA,該框架允許使用圖結(jié)構(gòu)掩碼操作來創(chuàng)為消息傳遞機制設(shè)計一個強大的搜索空間。此外,我們定義了一個魯棒性度量來指導(dǎo)搜索過程,以幫助過濾魯棒結(jié)構(gòu)。這樣,G-RNA有助于從架構(gòu)角度理解GNN的魯棒性,并有效地搜索最佳的對抗魯棒結(jié)構(gòu)。實驗結(jié)果表明,G-RNA顯著優(yōu)于手動設(shè)計魯棒結(jié)構(gòu)和vanilla graph NAS 基線。

鏈接：https://www.aminer.cn/pub/6434cfd590e50fcafd7a42c6

10. Graph Neural Network-Aided Exploratory Learning for Community Detection with Unknown Topology?

作者：Yu Hou,Cong Tran,Ming Li,Won-Yong Shin

AI華同學(xué)綜述（大模型驅(qū)動）：在社交網(wǎng)絡(luò)中發(fā)現(xiàn)社區(qū)結(jié)構(gòu)是許多研究任務(wù)的一個基本問題。然而,由于隱私或訪問限制, 網(wǎng)絡(luò)結(jié)構(gòu)通常是未知的，因此在沒有昂貴的網(wǎng)絡(luò)拓?fù)浍@取的情況下，現(xiàn)有的社區(qū)檢測方法變得無法有效地實現(xiàn)。為了解決這個問題,我們提出了META-CODE, 通過易于收集的節(jié)點元數(shù)據(jù)輔助的探索性學(xué)習(xí)來檢測具有未知拓?fù)涞木W(wǎng)絡(luò)中的重疊社區(qū)。具體來說, META-CODE由三次迭代步驟組成: 1) 基于由我們新的重建損失訓(xùn)練的圖神經(jīng)網(wǎng)絡(luò)?(GNN) 的節(jié)點級社區(qū)附屬嵌入，2) 基于節(jié)點查詢，通過社區(qū)附屬進(jìn)行網(wǎng)絡(luò)探索；3) 使用在探索網(wǎng)絡(luò)上的基于邊緣連通性的Siamese模型進(jìn)行網(wǎng)絡(luò)推理。通過對五個實際數(shù)據(jù)集進(jìn)行全面評估,我們證明了該系統(tǒng)優(yōu)于競爭對手的社區(qū)檢測方法,并表明每個模塊都具有良好的計算效率。

鏈接：https://www.aminer.cn/pub/6434cfd690e50fcafd7a470f

— end —

本期內(nèi)容志愿者：程煜晴

新疆大學(xué)軟件工程專業(yè)大四學(xué)生，主要研究興趣為自然語言處理、知識圖譜、數(shù)據(jù)挖掘等，現(xiàn)推免至中央音樂學(xué)院音樂人工智能與音樂信息科技系。

想要獲得更多內(nèi)容，歡迎使用AMiner訂閱小程序。小程序最新上線了"arXiv Category"，在小程序上就能刷到每日arXiv新論文啦！

使用也很簡單，只需三步即可完成訂閱推薦！

一：打開小程序，在 “訂閱管理” 中選擇 “arXiv”；

二：選擇你關(guān)注的關(guān)鍵詞；

三：返回 “訂閱”頁面，選擇 “arXiv”， 即可刷到你關(guān)注的關(guān)鍵詞的相關(guān)論文。