研究论文

MI-GCN：基于节点互信息的图卷积网络

作者:

华明吴作者信息和声明

WWW’22：2022年网络会议配套论文集

2022年4月

页996-1003

https://doi.org/10.1145/3487553.3524711

出版:2022年8月16日出版历史

获取访问权限

摘要

图形神经网络（Graph Neural Networks，GNN）广泛应用于各种处理任务中，用于处理图形和复杂网络数据。然而，在最近的研究中，GNN不能有效地处理图中节点的结构拓扑信息和特征，甚至不能处理节点的信息。为了实现最佳的节点嵌入聚合和交付，这个弱点可能会严重影响GNN对节点进行分类的能力。为了克服这个问题，我们提出了一种新的基于节点互信息的图卷积网络（MI-GCN）用于半监督节点分类。首先，我们分析了衡量复杂网络中节点重要性的节点信息熵，并进一步定义了图数据中的节点联合信息熵和节点互信息。然后，我们使用节点互信息来增强GNN融合节点结构信息的能力。大量实验表明，我们的MI-GCN不仅保留了最先进的GNN的优势，而且提高了融合节点结构信息的能力。与真实世界多类型数据集上的几个基线相比，MI-GCN在节点分类方面可以取得优异的性能，包括固定数据分割和随机数据分割。

工具书类

[1]

Lei Bai、Lina Yao、Salil S。Kanhere、Xianzhi Wang和Quan Z。盛。2019.STG2seq：多步骤客运需求预测的时空图到序列模型。第28届国际人工智能联合会议（中国澳门）（IJCAI'19）会议记录。AAAI出版社，1981-1987年。

[2]

陈端兵、肖瑞、曾安和张一成。2014年。路径多样性提高了对有影响力传播者的识别。EPL（欧洲物理快报）104，6（2014），68006。

[3]

蒋伟林、刘选清、司思、杨丽、萨米·本吉奥和谢卓绝。2019.Cluster-gcn：用于训练深度和大型图卷积网络的有效算法。第25届ACM SIGKDD知识发现与数据挖掘国际会议论文集。257–266.

数字图书馆

[4]

鲁文·科恩（Reuven Cohen）、什洛莫·哈夫林（Shlomo Havlin）和丹尼尔·本·阿夫拉罕（Daniel Ben-Avraham）。2003.针对计算机网络和人群的有效免疫策略。体检信件91、24（2003）、247901。

[5]

托马斯·科弗（Thomas M Cover），乔伊·托马斯（Joy A Thomas），1991年。熵、相对熵和互信息。信息理论基础2，1（1991），12-13。

[6]

埃米利亚诺·达戈斯蒂诺（Emiliano D'agostino）、弗雷德里克·梅斯（Frederik Maes）、德克·范德梅伦（Dirk Vandermeulen）和保罗·苏滕斯（Paul Suetens）。2003.使用互信息进行多模态非刚性图像配准的粘性流体模型。医学图像分析7，4（2003），565–575。

[7]

Chi Thang Duong、Thanh Dat Hoang、Ha The Hien Dang、Quoc Viet Hung Nguyen和Karl Aberer。2019.图神经网络的节点上特征。arXiv预印本arXiv:1911.08795（2019）。

[8]

佩特雷尔迪、金加·马科维、佐尔坦·索莫吉瓦里、凯瑟琳·斯特兰德堡、扬·托博奇尼克、佩特尔·沃尔夫和拉什洛·扎兰伊。2013年。基于美国专利引用网络分析的新兴技术预测。《科学计量学》95，1（2013），225-242。

数字图书馆

[9]

范文琪、姚马、李青、何媛、赵耀威、唐继良和尹大伟。2019.为社会推荐绘制神经网络图。在万维网会议上。417–426.

数字图书馆

[10]

何开明、张湘玉、任少清、孙建军。2016.图像识别的深度残差学习。在IEEE计算机视觉和模式识别会议记录中。770–778.

[11]

托马斯·N·。Kipf和Max Welling。2017.图卷积网络半监督分类。2017年4月24日至26日，在法国土伦举行的2017年ICLR第五届国际学习代表大会上，会议记录。OpenReview.net。

[12]

李梦章和朱占星。2021.用于交通流预测的时空融合图神经网络。《AAAI人工智能会议论文集》，第35卷。4189–4196.

[13]

刘桂梅（Guimei Liu）、黄利顺（Limsoon Wong）和蔡念安（Hon Nian Chua）。2009年。加权PPI网络的复杂发现。生物信息学25，15（2009），1891–1897。

数字图书馆

[14]

孟再乔、梁尚松、鲍红艳和张向良。2019.共同嵌入属性网络。第十二届ACM网络搜索和数据挖掘国际会议论文集。393–401.

数字图书馆

[15]

Seth A Myers、Aneesh Sharma、Pankaj Gupta和Jimmy Lin.2014年。信息网络还是社交网络？推特跟踪图的结构。第23届万维网国际会议论文集。493–498.

数字图书馆

[16]

聂廷元，郑国，赵坤，陆哲明，2016。利用映射熵识别复杂网络中的节点中心性。《物理学A：统计力学及其应用》453（2016），290-297。

[17]

Hoang Nt和Takanori Maehara。2019.重新审视图形神经网络：我们只有低通滤波器。arXiv预印本arXiv:1905.09550（2019）。

[18]

JA Nüñez、辛科塔总理和沃奇林足球俱乐部。1996.信息熵。引力N体系统中的混沌。施普林格，43–53岁。

[19]

布莱恩·佩罗齐（Bryan Perozzi）、拉米·阿尔罗福（Rami Al-Rfou）和史蒂文·斯基纳（Steven Skiena）。2014.Deepwalk：社交表征的在线学习。第20届ACM SIGKDD知识发现和数据挖掘国际会议论文集。701–710.

数字图书馆

[20]

Josien PW Pluim、JB Antoine Maintz和Max A Viergever。2003.基于互信息的医学图像注册：一项调查。IEEE医学成像事务22，8（2003），986–1004。

[21]

童乔、巍山和常州。2017.如何识别复杂网络中最强大的节点？一种新的熵中心性方法。熵19，11（2017），614。

[22]

Leonardo FR Ribeiro、Pedro HP Saverese和Daniel R Figueiredo。2017.struc2vec：从结构标识学习节点表示。第23届ACM SIGKDD知识发现和数据挖掘国际会议论文集。385–394.

数字图书馆

[23]

杰姆·里戈（Jaume Rigau）、米克·菲克斯（Miquel Feixas）、马图·斯伯特（Mateu Sbert）、安东·巴尔德拉（Anton Bardera）和伊玛·博阿达（Imma Boada）。2004.基于互信息最大化的医学图像分割。在医学图像计算和计算机辅助干预国际会议上。施普林格，135–142岁。

[24]

于荣、黄文兵、徐廷阳和黄俊洲。2020年。DropEdge：面向节点分类的深度图卷积网络。在2020年4月26日至30日于埃塞俄比亚亚的斯亚贝巴举行的第八届国际学习代表大会上。OpenReview.net。

[25]

菲利普·塞维纳斯（Philippe Thévenaz）和迈克尔·昂瑟（Michael Unser）。1996.基于互信息的亚像素图像融合金字塔方法。第三届IEEE图像处理国际会议论文集，第1卷。IEEE，265-268。

[26]

彼得·维利奇科维奇、吉利姆·库库鲁尔、阿兰塔·卡萨诺娃、阿德里亚娜·罗梅罗、彼得罗·里奥和约舒亚·本吉奥。2017年。绘制注意力网络图。arXiv预印arXiv:1710.10903（2017）。

[27]

小王、侯野吉、传世、王白、叶燕芳、崔鹏和俞敏洪。2019年，《异质图形注意力网络》，《万维网会议》（美国加利福尼亚州旧金山）（WWW’19）。计算机械协会，美国纽约州纽约市，2022-2032年。https://doi.org/10.1145/3308558.3313562

数字图书馆

[28]

小王、朱美琪、德玉波、崔鹏、史川、裴健。2020年，Am-gcn：自适应多通道图形卷积网络。第26届ACM SIGKDD国际知识发现与数据挖掘会议论文集。1243–1253.

数字图书馆

[29]

徐炳兵、沈华伟、曹琦、邱云琦和程雪琪。2019年，图小波神经网络。在学习表征国际会议上。https://openreview.net/forum？id=H1ewdiR5tQ

[30]

徐克育、李成涛、田永龙、索诺贝、川崎健和杰尔卡。2018.具有跳跃知识网络的图的表示学习。在机器学习国际会议上。PMLR，5453–5462。

[31]

尤嘉轩、英雷克斯和莱斯科维奇。2019.位置感知图神经网络。在机器学习国际会议上。PMLR，7134–7143。

索引术语

MI-GCN：基于节点互信息的图卷积网络
1. 计算方法
  1. 机器学习
2. 网络
  1. 网络体系结构

建议

保持节点相似性的图卷积网络
WSDM’21：第14届ACM网络搜索和数据挖掘国际会议论文集

图形神经网络（GNN）由于其强大的图形表示学习能力，在各种实际应用中取得了巨大的成功。GNN通过聚合和转换信息来探索图形结构和节点特征。。。
阅读更多信息
基于约束图互信息的鲁棒跨网络节点分类
摘要
最近的跨网络节点分类方法主要利用图神经网络（GNN）作为特征抽取器来学习跨源图和目标图的表达性图形表示。然而，GNN容易受到。。。
阅读更多信息
基于标签一致性的图神经网络半监督节点分类
SIGIR’20：第43届国际ACM SIGIR信息检索研究与开发会议记录

图神经网络（GNN）在基于图的半监督节点分类中取得了显著的成功，它利用相邻节点的信息来改进目标节点的表示学习。节点GNN的成功。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图片ACM会议

WWW’22：2022年网络会议相关会议记录

2022年4月

1338页

国际标准图书编号：9781450391306

内政部：10.1145/3487553

编辑：
弗雷德·里克·拉福雷斯特（Frédérique Laforest）
法国里昂INSA
,
拉斐尔·特朗西
EURECOM，法国
,
莱昂内尔·梅迪尼
法国里昂第一大学
,
伊凡·赫尔曼
W3C/退役

版权所有©2022 ACM。

如果复制品不是为了盈利或商业利益而制作或分发的，并且复制品的第一页载有本通知和完整引文，则允许免费制作本作品的全部或部分数字或硬拷贝以供个人或课堂使用。必须尊重ACM以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护]

赞助商

SIGWEB:ACM超文本、超媒体和网络特别兴趣小组

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2022年8月16日

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章
研究
推荐有限公司

资金来源

国家自然科学基金

会议

WWW’22

赞助商：

SIGWEB公司

WWW’22：2022年ACM网络会议

2022年4月25日至29日

虚拟活动，法国里昂

接受率

8196份提交文件的总体接受率为1899份，23%

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

0
引文总数
169
总下载次数

下载次数（过去12个月）76
下载次数（最近6周）7

其他指标

查看作者指标

引文

视图选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

HTML格式格式

在中查看本文HTML格式格式。

媒体

数字

其他

桌子