使用图神经网络进行随机几何图对齐
内容提要
该文汇总多篇图机器学习研究，涵盖图神经网络表达能力、鲁棒性与对齐方法，主要贡献包括：用随机特征增强GNN表达能力；提出抗标签噪声的损失校正方法；设计全局对齐图核与广义图自编码器实现跨图对齐；以及GANN等新架构缓解过平滑问题。
延伸解读
图对齐方法的多样性
文章汇总了多种图对齐方法，包括基于全局对齐图核的随机图嵌入、广义图自编码器以及改进的广义图对齐方法。这些方法从不同角度解决跨图节点对应问题，例如利用几何节点嵌入和Earth Mover's distance，或通过谱分解处理正则图结构。读者可以了解图对齐领域的技术多样性，以及不同方法在特定场景下的优势。
GNN表达能力的增强策略
针对图神经网络表达能力的局限性，文章提到通过为每个节点添加随机特征，使GNN能够学习最优多项式时间近似算法，并解决传统GNN无法解决的问题。这一策略可与其他GNN模型结合，为提升模型表达能力提供了简单有效的途径。
噪声与过平滑问题的应对
文章涉及GNN在标签噪声和过平滑方面的挑战。例如，将非线性神经信息传递模型与损失校正方法结合以容忍对称标签噪声；GANN架构通过图信息对齐规则缓解标记数据有限导致的过平滑问题。这些方法在半监督节点分类等任务中表现出优势。
Q&A
图神经网络在表达能力上有什么局限性？如何解决？
图神经网络存在表达能力局限。作者提出为每个节点添加随机特征，这样GNN就能学习一些最优多项式时间近似算法，并且方便与其他GNN模型结合。实验证明，加入随机特征的GNN能解决一些传统GNN无法解决的问题。
如何处理图分类任务中的对称标签噪声？
将非线性神经信息传递模型（如GIN、GraphSAGE）与损失校正方法结合，提出一种容忍噪声的方法来解决图分类任务，在人工对称嘈杂环境中可以提高测试准确性。
什么是随机图嵌入（RGE）？它在图分类中表现如何？
RGE是一种新的全局对齐图核算法，利用几何节点嵌入和基于Earth Mover's distance的关联节点传输得到图嵌入，可通过定义在随机图上的分布自然产生随机特征近似。实验表明RGE超越或匹配了十二个最先进的图分类算法。
网络对齐任务中如何实现更准确的对齐？
提出一种新颖的广义图自编码器架构，提取强大且鲁棒的节点嵌入以实现更准确的对齐，并证明生成的嵌入与图的特征值和特征向量相关联，可以与传统谱方法相比实现更准确的对齐。框架还利用迁移学习和数据增强，在无需重新训练的情况下实现非常大规模的网络对齐。
GANN是什么？它解决了什么问题？
GANN是一种简单而有效的GNN体系结构，采用三个新型的图信息对齐规则，以解决标记数据有限导致over-smoothing的问题，并在半监督图节点分类任务中拥有优于竞争对手的表现。
图匹配网络如何计算两个图之间的相似度？
提出一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。实验表明该模型能在相似性学习中利用结构，并优于精心设计的基线系统。
