30:55 DG-Mamba: 重新定义鲁棒且高效的动态图结构学习|AAAI'25 23:27 Discrete Curvature Graph Information Bottleneck|AAAI'2025 25:49 Cobra:将Mamba扩展为多模态大语言模型以实现高效推理|AAAI'25 15:10 离线强化学习中是否真的需要具有表现力的模型?|AAAI'25 14:42 【...
Graph Information Bottleneck for Subgraph Recognition —— 子图识别的图信息瓶颈 传奇电焊悍匪 华东师范大学 数据科学与工程硕士在读16 人赞同了该文章 目录 收起 本文关注的问题 问题定义 图级表征的获得 优化信息瓶颈目标 子图识别信息瓶颈 图信息瓶颈 IB子图 针对GIB目标的双级优化 子图生成器和连通...
为此,我们提出了一个信息论指导原则,即鲁棒图信息瓶颈(Robust Graph Information Bottleneck,RGIB),以提取可靠的监督信号并避免表征坍缩。与基本的信息瓶颈GIB[4,5]不同的是,RGIB进一步解耦并平衡了图拓扑、图标签和图表征之间的相互依赖性,为抵抗双边噪声的鲁棒表征构建了新的学习目标。此外,我们探索了两种实例,R...
概要:图神经网络(GNNs)是一种融合网络结构和节点特征信息的表示学习方法,容易受到对抗性攻击。本文提出了一个信息论原则——图信息瓶颈(Graph Information Bottleneck,GIB),它能够优化图数据表示的表达能力和鲁棒性之间的平衡。GIB继承了一般信息瓶颈(Graph Information Bottleneck,IB)的思想,通过最大化表示与目标之间的互...
为解决预测图标签/属性时识别信息损失最小的压缩子图问题，首先通过GCN（图卷积网络）获得节点嵌入，然后应用自注意力机制，将节点嵌入与标准化的注意分数相乘，得到图级表征。通过优化信息瓶颈目标，以最大化IB，找到紧凑但信息丰富的表示，从而达到压缩数据并保留标签或属性预测信息的目的。通过将信息瓶颈...
Graph Information Bottleneck for Subgraph RecognitionJunchi YuTingyang XuYu RongYatao BianJunzhou HuangRan HeInternational Conference on Learning Representations
Graph Information Bottleneck (GIB) for learning minimal sufficient structural and feature information using GNNs - snap-stanford/GIB
In this work, we propose a novel framework, called Invariant Graph Learning based on Information bottleneck theory (InfoIGL), to extract the invariant features of graphs and enhance models' generalization ability to unseen distributions. Specifically, InfoIGL introduces a redundancy filter to compress ...
本文将信息瓶颈原则扩展到图数据上, 并针对图结构的层次特性, 提出了一个非线性信息瓶颈 [20]指导的层次图结构学习方法modelname (hierarchical graph structure learning with nonlinear information bottleneck). modelname 针对图结构中的不同层级, 在信息瓶颈目标函数的指导下, 通过采用无关特征掩码和结构学习方法, ...
This can often be expressed in terms of the computational time so that the computational time of the surrogate \(\Delta T_{\varvec{\Sigma }}\) is much faster than that of the original system \(\Delta T_{\varvec{F}}\): \(\Delta T_{\varvec{\Sigma }} \ll \Delta T_{\varvec...