huawei-noah/BGCN

🎯 BGCN: Bayesian Graph Convolutional Neural Networks cho phân loại nửa giám súc trên đồ thị

Một mô hình GCN mang tính Bayesian, giúp học sâu hơn với ít dữ liệu và bền vững hơn trước nhiễu.

BGCN là bản cài đặt bằng TensorFlow của mô hình Bayesian Graph Convolutional Neural Networks (Bayesian-GCNNs), được đề xuất bởi nhóm nghiên cứu từ Huawei Noah’s Lab và trình bày tại AAAI 2019. Dự án nhằm giải quyết các hạn chế của các mô hình GCNNs truyền thống: thiếu khả năng biểu diễn độ bất địnhh, dễ overfit khi nhãn ít, và nhạy cảm với các liên kết sai lầm (spurious links) trong cấu trúc đồ thị.

✨ Điểm nổi bật

• Mô hình Bayesian: Kết hợp suy luận Bayesian vào GCNNs thông qua Monte Carlo approximation.
• Ba bước lấy mẫu: Lấy mẫu tham số đồ thị, lấy mẫu đồ thị ngẫu nhiên, và lấy mẫu trọng số mạng.</n- Học đồng thời: Học cả mô hình sinh đồ thị và tham số dự đoán nhãn.
• Tích hợp đa nguồn thông tin: Sử dụng nhiều đồ thị tiềm năng để học biểu diễn nút tổng chung hơn.
• Chịu đựng nhiễu tốt: Cải thiện khả năng chịu đựng trước các liên kết sai lầm và tấn công đối đầu.
• Triển khai đơn giản: Chạy thử nghiệm chỉ với lệnh python BGCN_main.py.

💡 Vì sao đáng chú ý

Khác với các mô hình GCNNs truyền thống coi đồ thị như một cấu trúc cố định, BGCN coi đồ thị như một mẫu sinh ra từ một phân phối xác suất. Nhờ đó, mô hình có thể học được nhiều cấu trúc đồ thị khác nhau dựa trên hậu phương thuận lý, từ đó cải thiện khả năng biểu diễn và dự đoán. Đặc biệt hiệu quả trong bài toán phân loại nửa giám súc khi dữ liệu nhãn kỳ thiếu.

---

#BayesianGraphNeuralNetworks #TensorFlow #GraphLearning #AAAI2019 #TiniX