博士论文 |《用于提高可解释性和效率的图神经网络》中佛罗里达大学

属性图是为现实生活中的系统建模的有力工具，这些系统存在于许多领域，如社会科学、生物学、电子商务等。这些系统的行为大多是由其相应的网络结构定义的，或依赖于其相应的网络结构。由于这些系统迅速融入人类生活的方方面面，并且对人类行为产生了深刻的影响，图分析已经成为一个重要的研究方向。图结构的数据包含了来自网络连接和节点的补充输入特征的丰富信息。机器学习算法或传统的网络科学工具在利用网络拓扑结构和节点特征的能力方面存在局限性。图谱神经网络（GNNs）提供了一个有效的框架，结合这两种信息来源，为广泛的任务（包括节点分类、链接预测等）提供准确的预测结果。图数据集的指数级增长推动了复杂的GNN模型的发展，引起了对处理时间和结果可解释性的关注。另一个问题来自于为训练深度学习GNN模型而收集大量的注释数据的成本和限制。除了采样问题，数据中存在的异常实体可能会降低拟合模型的质量。在这篇论文中，我们提出了新的技术和策略来克服上述挑战。首先，我们提出了适用于简单图卷积（SGC）的灵活正则化方案。所提出的框架继承了SGC的快速和高效的特性，同时呈现了一组稀疏的拟合参数向量，促进了对重要输入特征的识别。接下来，我们研究了收集训练样本的有效程序，并制定了指示性措施和定量指南，以帮助从业者选择最佳的采样策略来获取数据。然后，我们对现有的GNN模型进行了改进，用于异常检测任务。我们提出的框架实现了更好的准确性和可靠性。最后，我们尝试将灵活的正则化机制适应于链接预测任务。