IJCAI 2021图神经网络必读论文推荐
浏览量: 1322
时间: 2021-07-27 12:11
AMiner通过AI技术,对IJCAI2021收录的会议论文进行了分类整理,欢迎下载收藏!
AMiner-IJCAI 2021:https://www.aminer.cn/conf/ijcai2021
1.论文名称:The Surprising Power of Graph Neural Networks with Random Node Initialization
论文链接:https://www.aminer.cn/pub/5f7c344591e0117ac2a78854
我们证明了,带有RNI的GNN的性能通常与高阶GNN的性能相当,甚至更好,它还同时保持了比标准GNN低得多的内存需求。这种改进通常以较慢的模型收敛为代价。我们发现,仅使用部分随机初始化机制,就可以提高模型的收敛速度和精度。
2.论文名称:On Self-Distilling Graph Neural Network
论文链接:https://www.aminer.cn/pub/5fa3f83991e011a6939b81e2
我们提出了第一个面向GNN的无教师知识蒸馏框架,称为GNN Self-Distillation (GNN-SD),作为改进GNN培训过程的替代。我们设计了三种用于GNN-SD的知识源:邻域差异率(NDR)、紧凑图嵌入和中间对数。
3.论文名称:Learning Unknown from Correlations: Graph Neural Network for Inter-novel-protein Interaction Prediction
论文链接:https://www.aminer.cn/pub/60a2401291e0115ec77b9cd9
我们设计了一个新的评估框架,充分尊重新蛋白质之间的相互作用,并给出了一致的评估跨数据集。我们认为蛋白质之间的相关性为新蛋白质的分析提供了有用的信息,并在此基础上,提出了一种基于图神经网络的方法(GNN-PPI)来更好地预测新蛋白质之间的相互作用。
4.论文名称:GraphMI: Extracting Private Graph Data from Graph Neural Networks
论文链接:https://www.aminer.cn/pub/60c16bd191e0112cf43c1f08
我们提出了GraphMI,其目的是通过反转GNN(目前最先进的图分析工具之一)来提取训练图的私有图数据。具体来说,我们首先提出一个投影梯度模块来处理图边的离散性,同时保持图特征的稀疏性和平滑性。然后设计了图形自动编码模块,有效地利用图形拓扑、节点属性和目标模型参数进行边缘推理。
5.论文名称:Graph-Free Knowledge Distillation for Graph Neural Networks
论文链接:https://www.aminer.cn/pub/60a3a42e91e01115219ffa36
我们提出了从没有图数据的GNN中提取知识的第一个专用方法。提出的无图KD (GFKD)通过对图拓扑结构进行多项式分布建模来学习知识转移的图拓扑结构。然后我们引入一个梯度估计器来优化这个框架。