图学习相关论文快讯

01

在图卷积网络中，假设图G是针对某些观察噪声产生的。论文尝试添加随机扰动 ΔG并改进泛化。基于量子信息几何，可以对ΔG的尺度进行定量测量。论文尽可能在最小的预算下最大化置换，同时基于扰动的G+ΔG最小化损失。论文提出的模型在合理的计算开销下，改进了半监督节点分类图卷积网络。

https://arxiv.org/abs/1903.04154

02

几何深度学习为医学领域中的成像和非成像模态的整合提供了原则性和通用性方式。特别是图卷积神经网络（GCN）已经通过利用大型多模态数据集在疾病预测，分割和矩阵完成等各种问题上进行了探索。在本文中介绍了一种新的谱域结构，用于疾病预测。其新颖性在于定义几何“初始模块”，它们能够在卷积过程中捕获图内和图间的结构异构性。

论文链接：

https://arxiv.org/abs/1903.04233

03

本文提出了一种用于GCN的梯度归因分析方法——NAM（节点归因方法），可以获得目标节点及其邻居节点对GCN输出的贡献。我们还提出了基于贡献值的节点重要性可视化（NIV）方法，来可视化GCN的目标节点及其邻居节点。该文使用扰动分析方法来验证基于引文网络数据集的NAM的影响。实验结果表明，NAM可以很好地了解每个节点对节点分类预测的贡献。

论文链接：

https://arxiv.org/abs/1903.03768

04

在本文中，展示了如何使用简单的架构设计GNN来解决图着色的基本组合问题。论文中展示的模型在随机实例训练时达到了高精度，能够归纳出与训练时不同的图形分布。此外，论文还展示了顶点嵌入如何在多维空间中聚类以产生建设性的解决方案，即使我们的模型仅被训练为二元分类器。

论文链接：

https://arxiv.org/abs/1903.04598

05

该论文介绍了LEAP，一种可训练的通用框架，用于根据图的局部结构，拓扑和标签预测边的存在和属性。LEAP框架基于连接图中节点的路径的探索和机器学习聚合。我们提供了几种通过训练路径聚合器来执行聚合阶段的方法，并且通过将其应用于社交网络中的链接和用户评级的预测来证明框架的灵活性和通用性。 本文在两个问题上验证了LEAP框架：链接预测和用户评级预测。

论文链接：

https://arxiv.org/abs/1903.04613