释放双眼,带上耳机,听听看~!
本文研究了图生成模型的评价指标和节点特征提取方法,提出了基于GNN和XMC的新评价指标,以及在OGB数据集上取得的最新研究成果。
本文已参与「新人创作礼」活动,一起开启掘金创作之路。
- 欢迎关注WX公众号,每周发布论文解析:PaperShare,
点我关注
Paper1-Paper2
Paper3
摘要简介
- 评价生成模型在图像数据集上的好坏肉眼都能看出来,但是在graph上就没那么明显了。
- 现有的评价GGM(graph generative model)的指标有三个方面的不足:
- 没有单一的scalar指标。
- 很难考虑到潜在的边和节点特征。
- 慢
- 提出了一些评价指标,基于无需训练的GNN来解析的特征。
- 指标能够很好的比较出graph的差异和保真度,并且效率高。
- 实验表明,2种指标比以前的要好,并且能够在不考虑问题domain的情况下去比较两个graph集合。
- code
实验
这图看起来真是酷炫啊。。。
数据集:
效果:
Paper4
摘要简介
- 挖掘节点特征和图结构的关系,有助于更好地提高GNN的性能。
- 现有的基于自监督的GNN在提取节点特征的时候,忽略了图结构,导致不能充分利用节点特征和图结构的关系
- 我们提出了GIANT,使用了XMC(Multi-label Classification formalism)解决这个问题。
- XMC利用graph information,对于fine-tuning 语言模型很有帮助,可以扩展大大数据集上。
- 在OGB (Open graph benchmark,by Standford大佬)link prediction任务ogbn-papers100M数据集上取得SOTA。
框架
就是在fine-tuning NLP model阶段的时候加入了Graph information。
实验
Paper5-6
本网站的内容主要来自互联网上的各种资源,仅供参考和信息分享之用,不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益,请联系我们,我们将尽快采取行动,包括删除或更正。