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
论文列表
目前找了录用的一些有关于Graph或者GNN的文章,先过一遍各个文章的摘要,然后再花时间对觉得比较重要或者有趣的文章进行详细阅读。
Paper 11
今天这篇文章不是GNN文章,但是和graph有关,其实是causal discvoery的文章,初入坑这个方向,下一个专题论文分享将会是causality相关的文章,今天碰巧先开个引子
摘要简介
- 利用观测数据和干预数据来学习因果图模型是很多科学研究的基础。
- 用连续优化来做score-based的方法虽然比较有前景,但是需要对无环或者收敛进行约束。
- 提出了ENCO,对DAG因果图进行学习。
- ENCO会独立的优化每条边的likelihood,并且边的方向也是一个变量。
- 因此我们能够不依赖与无环的约束就能保证ENCO的收敛性。
- ENCO能同时处理deterministic variables和发现潜在confounder,并且能有效地恢复具有数百个节点的图,比以前可能的要大一个数量级。
实验
Paper 12
摘要简介
- 利用前置任务(pretext task)来进行图自监督学习很重要。
- 通常都是用单一的pretex task,我们认为这样比较局限,应该找到很多pretext tasks来做。
- 提出了AOTOSSL,利用“homophily”同质性,或者说“物以类聚”为原则,来高效地搜索pretext tasks。
- 从理论和实验上来证明该框架的灵活性。
- AUTOSSL相对于只利用单一pretext task的方法,在8个真实数据集上都取得了明显性能提升,包括图聚类和分类任务。
实验
提升看起来确实明显。
分析
相当于从图中挖掘了更多的feature。