近期必讀的6篇AI頂會WWW 2020【圖神經網絡(GNN)】相關論文（附下載）

導讀

國際萬維網大會（The Web Conference，簡稱WWW會議）是由國際萬維網會議委員會發起主辦的國際頂級學術會議，創辦於1994年，每年舉辦一屆，是CCF-A類會議。WWW 2020將於2020年4月20日至4月24日在中國臺灣台北舉行。本屆會議共收到了1129篇長文投稿，錄用217篇長文，錄用率爲19.2%。近期，隨着會議的臨近，有很多paper放出來，專知小編提前整理了WWW 2020圖神經網絡(GNN)比較有意思的的論文—TaxoExpan，結構深度聚類網絡、MetapathGNN、對抗樣本、圖域自適應。

1. TaxoExpan: Self-supervised Taxonomy Expansion with Position-Enhanced Graph Neural Network

作者：Jiaming Shen, Zhihong Shen, Chenyan Xiong, Chi Wang, Kuansan Wang, Jiawei Han

摘要：本體結構（Taxonomies）由機器可解釋的語義組成，併爲許多Web應用程序提供有價值的知識。例如，在線零售商(亞馬遜和eBay)使用本體結構進行產品推薦，而網絡搜索引擎(Google和Bing)利用本體結構來增強查詢理解。當前我們在人工或半自動地構建本體結構方面已經做出了巨大的努力。然而，隨着網絡內容數量的快速增長，現有的本體結構無法捕捉到新興的知識。因此，在許多應用程序中，十分需要對現有本體結構進行動態擴展。在本文中，我們研究瞭如何通過添加一組新的概念來擴展現有的本體結構。我們提出了一種新的自監督框架TaxoExpanTM，該框架從已有的本體結構中自動生成一組 ⟨query concept, anchor concept ⟩ 對作爲訓練數據。使用這樣的自監督數據，TaxoExpanTM學習一個模型來預測query concept是否是 anchor concept的直接下義詞。我們在TaxoExspan中提出了兩種創新技術：(1)位置增強型圖形神經網絡，它編碼現有本體結構中anchor concept的局部結構；2）噪聲魯棒性訓練目標，使學習的模型能夠對自監控數據中的標籤噪聲不敏感。在來自不同領域的三個大規模數據集上的廣泛實驗證明了TaxoExspan在分類系統擴展方面的有效性和高效性。

網址：https://arxiv.org/abs/2001.09522

2. Structural Deep Clustering Network

作者：Deyu Bo, Xiao Wang, Chuan Shi, Meiqi Zhu, Emiao Lu, Peng Cui

摘要：聚類是數據分析的基本任務。近年來，深度聚類技術(deep clustering)得到了廣泛的關注，它的靈感主要來自於深度學習方法。當前的深度聚類方法通常藉助深度學習強大的表示能力(如自編碼)來提高聚類結果，這表明學習一種有效的聚類表示是一個關鍵的要求。深度聚類方法的優勢在於從數據本身中提取有用的表示，而不是從數據的結構中提取，這在表示學習中受到的關注較少。基於圖卷積網絡(GCN)在對圖結構進行編碼方面取得的巨大成功，我們提出了一種結構化深度聚類網絡(SDCN)，將結構信息集成到深度聚類中。具體來說，我們設計了一個傳遞算子，將自編碼器學習到的表示轉換到相應的GCN層，並設計了雙重自監督機制來統一這兩種不同的深層神經結構，指導整個模型的更新。通過這種方式，從低階到高階的多種數據結構自然地與自動編碼器學習的多種表示相結合。在此基礎上，從理論上分析了傳遞算子。通過使用傳遞操作符，GCN改進了作爲高階圖正則化約束的特定於自編碼的表示形式，並且自動編碼器有助於緩解GCN中的過度平滑問題。通過綜合實驗，我們證明我們提出的模型可以持續地比最先進的技術表現得更好。

網址：https://arxiv.org/abs/2002.01633

3. MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding

作者： Xinyu Fu, Jiani Zhang, Ziqiao Meng, Irwin King

摘要：大量真實世界的圖或網絡本質上是異構的，涉及節點類型和關係類型的多樣性。異構圖嵌入是將異構圖的豐富結構和語義信息嵌入到低維節點表示中。現有的模型通常定義多個metapaths在異構圖捕捉複合關係和指導鄰居選擇。但是，這些模型要麼忽略節點內容特性，要麼沿着元路徑丟棄中間節點，要麼只考慮一個元路徑。爲了解決這三個侷限性，我們提出了一種新的集合圖神經網絡模型來提高最終性能。具體來說，MAGNN使用了三個主要組件，即，節點內容轉換封裝輸入節點屬性，元內聚合合併中間語義節點，元間聚合合併來自多個元的消息。在三個真實世界的異構圖數據集上進行了大量的節點分類、節點聚類和鏈路預測實驗，結果表明MAGNN的預測結果比最先進的基線更準確。

網址：https://arxiv.org/abs/2002.01680

4. Certified Robustness of Community Detection against Adversarial Structural Perturbation via Randomized Smoothing

作者：Jinyuan Jia, Binghui Wang, Xiaoyu Cao, Neil Zhenqiang Gong

摘要：社區發現（Community detection）在理解圖結構中起着關鍵作用。但是，最近的一些研究表明，社區發現很容易受到對抗性結構的干擾。即通過在圖中添加或刪除少量選擇的邊，攻擊者可以控制發現的社區。然而，目前還沒有關於社區發現對這種對抗性結構擾動的魯棒性的研究。爲了減少這一差距，在這項工作中，我們開發了第一個經過認證的可以抵禦對抗性結構擾動的社區發現的魯棒性保證。在任意給定的社區發現方法的基礎上，通過對圖結構隨機進行擾動，構建了一種新的平滑社區發現方法。在理論上，當攻擊者添加/刪除有限數量的邊時，平滑社區發現方法可以將給定的任意節點集合分到相同的社區(或不同的社區)中。此外， 我們還根據經驗在真實社區的多個現實圖上評估了我們的方法。

網址：https://arxiv.org/abs/2002.03421

5. Unsupervised Domain Adaptive Graph Convolutional Networks

作者：Man Wu, Shirui Pan, Chuan Zhou, Xiaojun Chang, Xingquan Zhu

摘要：圖卷積網絡(GCNS)在許多與圖相關的分析任務中取得了成功。然而，由於圖表示學習和圖結構上的域自適應方面的挑戰，大多數GCN只工作在單個域(圖)中，不能將知識從一個域(圖)傳遞到其他域(圖)中。本文提出了一種新的圖域自適應學習方法–無監督域自適應圖卷積網絡(UDAGCN)。爲了實現有效的圖表示學習，我們首先提出了一個對偶圖卷積網絡組件，該組件聯合利用局部一致性和全局一致性來進行特徵聚合。注意力機制還用於爲不同圖中的每個節點產生統一表示。爲了便於圖之間的知識傳遞，我們提出了一個域自適應學習模塊，將源分類器損失、域分類器損失和目標分類器損失這三個不同的損失函數作爲一個整體進行優化，從而可以區分源域中的類別標籤、不同領域樣本和目標領域的類別標籤。我們還在節點分類任務的真實數據集上的實驗結果驗證該方法的性能，並與最新的圖神經網絡算法進行了比較。

網址: https://www.researchgate.net/publication/338844424_Unsupervised_Domain_Adaptive_Graph_Convolutional_Networks

6. A Kernel of Truth: Determining Rumor Veracity on Twitter by Diffusion Pattern Alone

作者： Nir Rosenfeld, Aron Szanto, David C. Parkes

摘要：最近，在錯誤信息檢測領域已經使用文本中豐富的信號以及與社交媒體上的內容相關的用戶身份來進行檢測。但由於文本可以被策略性地操縱，賬戶也可以用不同的名字重新創建，以上這些方法本質上是脆弱的。在這項工作中，我們研究了另一種更加自然與健壯的模式：信息傳播的模式。僅根據未經證實的謠言在社交網絡中的傳播模式，就能辨別在線傳播的未經證實的謠言的真實性嗎？

使用圖核（graph kernels ）從Twitter中提取複雜的拓撲信息，我們訓練了不考慮語言，用戶身份和時間的準確預測模型，這首次證明了這種“sanitized”的擴散模式具有很高的準確性。 我們的結果表明，通過適當的聚集，即使在傳播的早期階段，人羣的集中共享模式也可能會顯示出辨別謠言真假的強有力的信號。

網址：https://arxiv.org/abs/2002.00850

傳送門

關注微信公衆號：邁微電子研發社，回覆 “深度學習實用教程” 獲取Github開源項目。