【计算机视觉】Graph Models算法介绍合集（三）

朴灿烈づ我的快乐病毒、 2023-10-16 09:07 20阅读 0赞

#### 文章目录 ####

*   *  一、Principal Neighbourhood Aggregation（PNA）
     *  二、Graph Contrastive Coding
     *  三、Contextual Graph Markov Model（CGMM）
     *  四、Cluster-GCN
     *  五、Recurrent Event Network（RE-NET）
     *  六、Spherical Graph Convolutional Network
     *  七、Graph Neural Networks with Continual Learning
     *  八、Graph Convolutional Networks for Fake News Detection
     *  九、BiGG
     *  十、MeshGraphNet

### 一、Principal Neighbourhood Aggregation（PNA） ###

主邻域聚合 (PNA) 是一种通用且灵活的架构，用于将多个聚合器与度缩放器（概括求和聚合器）相结合。

![在这里插入图片描述][40b252d0e1024d7ca9b75cf6252d0dd6.png]

### 二、Graph Contrastive Coding ###

图对比编码是一种自监督图神经网络预训练框架，用于捕获跨多个网络的通用网络拓扑属性。 GCC 的预训练任务被设计为网络内和跨网络的子图实例区分，并利用对比学习使图神经网络能够学习内在的和可转移的结构表示。

![在这里插入图片描述][4546b506669144bb8bbd30b53d5a689b.png]

### 三、Contextual Graph Markov Model（CGMM） ###

上下文图马尔可夫模型（CGMM）是一种结合生成模型和神经网络的思想来处理图数据的方法。 它基于一种建设性的方法来构建一个由多层概率模型组成的深层架构，这些模型学习以增量方式编码结构化信息。 上下文以有效且可扩展的方式在图的顶点和边上扩散。 由此产生的图编码与判别模型结合使用来解决结构分类基准。

![在这里插入图片描述][828df62821cb4cd2a40f602d3d00e1f9.png]

### 四、Cluster-GCN ###

Cluster-GCN 是一种新颖的 GCN 算法，适合利用图聚类结构进行基于 SGD 的训练。 Cluster-GCN 的工作原理如下：在每一步，它都会对与图聚类算法识别的密集子图相关联的节点块进行采样，并限制该子图中的邻域搜索。 这种简单但有效的策略可以显着提高内存和计算效率，同时能够实现与以前的算法相当的测试精度。

![在这里插入图片描述][bc8f9ccce77e4aaca2fcafb61dd137bc.png]

### 五、Recurrent Event Network（RE-NET） ###

循环事件网络（RE-NET）是一种用于预测未来交互的自回归架构。 事实（事件）的发生被建模为以过去知识图的时间序列为条件的概率分布。 RE-NET 采用循环事件编码器对过去的事实进行编码，并使用邻域聚合器对同一时间戳的事实连接进行建模。 然后可以基于这两个模块按顺序推断未来的事实。

### 六、Spherical Graph Convolutional Network ###

### 七、Graph Neural Networks with Continual Learning ###

尽管我们在事实核查方面付出了巨大的努力，但社交媒体上假新闻的盛行仍然是一个严重的问题，这对正义、公众信任和我们的社会产生了深远的影响。 在这项工作中，我们专注于基于传播的假新闻检测，因为最近的研究表明假新闻和真实新闻在网上的传播方式不同。 具体来说，考虑到图神经网络（GNN）处理非欧几里得数据的能力，我们使用 GNN 来区分社交媒体上假新闻和真实新闻的传播模式。 我们特别关注两个问题：（1）在不依赖任何文本信息（例如推文内容、回复和用户描述）的情况下，GNN 识别假新闻的准确度如何？ 众所周知，机器学习模型容易受到对抗性攻击，避免对基于文本的特征的依赖可以使模型不易受到高级假新闻制造者的操纵。 (2) 如何处理新的、未见过的数据？ 换句话说，在给定数据集上训练的 GNN 在新的且可能截然不同的数据集上表现如何？ 如果它的性能不理想，我们如何在不从头开始在整个数据上重新训练模型的情况下解决问题？ 我们在两个包含数千个标记新闻项的数据集上研究了上述问题，我们的结果表明：（1）GNN 可以在没有任何文本信息的情况下实现与最先进方法相当或更好的性能。 （2）在给定数据集上训练的 GNN 可能在新的、未见过的数据上表现不佳，直接增量训练无法解决问题——这个问题在之前应用 GNN 进行假新闻检测的工作中尚未得到解决。 为了解决这个问题，我们提出了一种方法，通过使用持续学习技术逐步训练 GNN，在现有数据集和新数据集上实现平衡性能。

### 八、Graph Convolutional Networks for Fake News Detection ###

社交媒体因其低成本、易于访问和快速传播而成为当今全球数百万人的主要新闻来源之一。 然而，这是以可信度可疑和暴露于故意误导读者的“假新闻”的巨大风险为代价的。 自动检测假新闻带来的挑战与现有的基于内容的分析方法相悖。 主要原因之一是，对新闻的解释通常需要政治或社会背景或“常识”的知识，而当前的 NLP 算法仍然缺乏这些知识。 最近的研究表明，假新闻和真实新闻在社交媒体上的传播方式不同，形成了可用于自动假新闻检测的传播模式。 与基于内容的方法相比，基于传播的方法具有多种优势，其中包括语言独立性和更好的抵御对抗性攻击的能力。 在本文中，我们展示了一种基于几何深度学习的新型自动假新闻检测模型。 底层核心算法是经典 CNN 到图的推广，允许融合异构数据，例如内容、用户配置文件和活动、社交图和新闻传播。 我们的模型根据在 Twitter 上传播的新闻报道进行了训练和测试，并由专业事实核查组织进行了验证。 我们的实验表明，社交网络结构和传播是实现高精度 (92.7% ROC AUC) 假新闻检测的重要特征。 其次，我们观察到假新闻可以在传播短短几个小时后的早期阶段被可靠地检测到。 第三，我们在时间上分开的训练和测试数据上测试模型的老化情况。 我们的结果表明，基于传播的假新闻检测方法有望作为基于内容的方法的替代或补充策略。

### 九、BiGG ###

![在这里插入图片描述][d1501a2d3b124d7cae18f27788ce17f0.png]  
![在这里插入图片描述][80936a3aa71b4bf683989af3b281300d.png]

### 十、MeshGraphNet ###

MeshGraphNet 是一个使用图神经网络学习基于网格的模拟的框架。 可以训练模型在网格图上传递消息并在正向模拟期间调整网格离散化。 该模型使用经过一步监督训练的编码-处理-解码架构，并且可以迭代应用以在推理时生成长轨迹。

![在这里插入图片描述][2b7836f4917a4e70806ed5910aa3a90e.png]  
![在这里插入图片描述][b21ef1694ebd49c8b9b82e13eeb081e9.png]

[40b252d0e1024d7ca9b75cf6252d0dd6.png]: https://img-blog.csdnimg.cn/40b252d0e1024d7ca9b75cf6252d0dd6.png
[4546b506669144bb8bbd30b53d5a689b.png]: https://img-blog.csdnimg.cn/4546b506669144bb8bbd30b53d5a689b.png
[828df62821cb4cd2a40f602d3d00e1f9.png]: https://img-blog.csdnimg.cn/828df62821cb4cd2a40f602d3d00e1f9.png
[bc8f9ccce77e4aaca2fcafb61dd137bc.png]: https://img-blog.csdnimg.cn/bc8f9ccce77e4aaca2fcafb61dd137bc.png
[d1501a2d3b124d7cae18f27788ce17f0.png]: https://img-blog.csdnimg.cn/d1501a2d3b124d7cae18f27788ce17f0.png
[80936a3aa71b4bf683989af3b281300d.png]: https://img-blog.csdnimg.cn/80936a3aa71b4bf683989af3b281300d.png
[2b7836f4917a4e70806ed5910aa3a90e.png]: https://img-blog.csdnimg.cn/2b7836f4917a4e70806ed5910aa3a90e.png
[b21ef1694ebd49c8b9b82e13eeb081e9.png]: https://img-blog.csdnimg.cn/b21ef1694ebd49c8b9b82e13eeb081e9.png