KDD2021丨卷积神经网络必读论文推荐
AMiner AI
ACM SIGKDD（国际数据挖掘与知识发现大会，简称 KDD）是世界数据挖掘领域的最高级别的学术会议，由 ACM 的数据挖掘及知识发现专委会（SIGKDD）主办。一个月前，KDD2021论文录取结果出来了，今年一共有1541篇投稿，其中238篇论文被接收，接收率为15.44%，相对比KDD2020的接收率16.9%有所下降。
AMiner通过AI技术，对KDD2021收录的会议论文进行了分类整理，欢迎下载收藏！
AMiner-KDD2021：https://www.aminer.cn/conf/kdd2021
1.论文名称：Are we really making much progress? Revisiting, benchmarking, and refining heterogeneous graph neural networks
论文链接：https://www.aminer.cn/pub/60c31f669e795e9243fd1670
近年来，异构图神经网络 (HGNN) 蓬勃发展，但每项工作使用的独特数据处理和评估设置阻碍了对其进步的全面了解。在这项工作中，我们使用官方代码、数据集、设置和超参数系统地再现了 12 个最近的 HGNN，揭示了有关 HGNN 进展的惊人发现。我们发现简单的同构 GNN，例如 GCN 和 GAT，由于设置不当而在很大程度上被低估了。具有适当输入的 GAT 通常可以在各种场景中匹配或优于所有现有的 HGNN。为了促进稳健和可重复的 HGNN 研究，我们构建了异构图基准 (HGB)1，由 11 个不同的数据集和三个任务组成。HGB 标准化了异构图数据拆分、特征处理和性能评估的过程。最后，我们引入了一个简单但非常强大的基线 Simple-HGN——它在 HGB 上明显优于之前的所有模型——以加速 HGNNs 在未来的进步。
2.论文名称：TDGIA: Effective Injection Attacks on Graph Neural Networks
论文链接：https://www.aminer.cn/pub/60c31e856750f853878868f7
图神经网络 (GNN) 在各种实际应用中取得了可喜的性能。然而，最近的研究发现 GNN 容易受到对抗性攻击。在本文中，我们研究了最近引入的图上现实攻击场景——图注入攻击 (GIA)。在 GIA 场景中，攻击者无法修改输入图的现有链接结构或节点属性，而是通过向其中注入对抗性节点来执行攻击。我们对 GIA 设置下 GNN 的拓扑脆弱性进行了分析，在此基础上我们提出了用于有效注入攻击的拓扑缺陷图注入攻击 (TDGIA)。TDGIA 首先引入拓扑缺陷边选择策略来选择原始节点与注入节点连接。然后设计平滑特征优化目标以生成注入节点的特征。在大规模数据集上的大量实验表明，在攻击数十种防御 GNN 模型时，TDGIA 可以始终如一地显着优于各种攻击基线。值得注意的是，在 KDD-CUP 2020 上数百个提交中，TDGIA 导致的目标 GNN 的性能下降是最佳攻击解决方案带来的损失的两倍多。
3.论文名称：Certified Robustness of Graph Neural Networks against Adversarial Structural Perturbation
论文链接：https://www.aminer.cn/pub/5f4638f691e011938ffdcf97
图神经网络（GNN）最近在图结构数据上的节点和图分类任务中获得了很多关注。然而，最近的多项工作表明，攻击者可以通过扰乱图结构（即在图中添加或删除边）轻松地使 GNN 预测错误。我们的目标是通过开发可靠的强大 GNN 来防御此类攻击。具体来说，我们证明了针对结构扰动的节点和图分类的任何 GNN 的第一个经过认证的稳健性保证。此外，我们表明我们经过认证的稳健性保证是严格的。我们的结果基于最近提出的称为随机平滑的技术，我们将其扩展到图形数据。我们还根据经验评估了我们在多个 GNN 和多个基准数据集上进行节点和图分类的方法。例如，在 Cora 数据集上，当攻击者可以任意添加/删除图中最多 15 条边时，带有我们随机平滑的图卷积网络可以达到 0.49 的认证精度。
4.论文名称：Self-supervised Heterogeneous Graph Neural Network with Co-contrastive Learning
论文链接：https://www.aminer.cn/pub/60a63ded91e0115d932bfd48
异构图神经网络（HGNNs）作为一种新兴技术，在处理异构信息网络（HIN）方面表现出了卓越的能力。然而，大多数 HGNN 遵循半监督学习方式，这显着限制了它们在现实中的广泛使用，因为标签在实际应用中通常很少。最近，对比学习，一种自我监督的方法，成为最令人兴奋的学习范式之一，并且在没有标签的情况下显示出巨大的潜力。在本文中，我们研究了自监督 HGNN 的问题，并提出了一种新的 HGNN 协同对比学习机制，名为 HeCo。与传统的对比学习仅侧重于对比正负样本不同，HeCo 采用了跨视图对比机制。具体来说，提出了 HIN 的两个视图（网络模式和元路径视图）来学习节点嵌入，以便同时捕获本地和高阶结构。然后提出了跨视图对比学习以及视图掩码机制，该机制能够从两个视图中提取正负嵌入。这使两个视图能够相互协作并最终学习高级节点嵌入。此外，HeCo 的两个扩展旨在生成更硬的高质量负样本，这进一步提升了 HeCo 的性能。在各种真实世界网络上进行的大量实验表明，所提出的方法比最先进的方法具有优越的性能。
5.论文名称：Cross-Node Federated Graph Neural Network for Spatio-Temporal Data Modeling
论文链接：https://www.aminer.cn/pub/60c4029691e011d44febef9c
由于需要边缘计算和许可（数据访问），传感器网络、可穿戴设备和物联网 (IoT) 设备生成的大量数据凸显了对利用分散数据的时空结构的高级建模技术的需求） 问题。虽然联邦学习 (FL) 已成为不需要直接数据共享和交换的模型训练框架，但有效地对复杂的时空依赖进行建模以提高预测能力仍然是一个悬而未决的问题。另一方面，最先进的时空预测模型假设可以不受限制地访问数据，而忽略了对数据共享的限制。为了弥合这一差距，我们提出了一个联合时空模型——跨节点联合图神经网络 (CNFGNN)——它在交叉约束下使用基于图神经网络 (GNN) 的架构显式编码底层图结构。节点联合学习，它要求节点网络中的数据在每个节点本地生成并保持分散。CNFGNN 通过解开设备上的时间动态建模和服务器上的空间动态来运行，利用交替优化来降低通信成本，促进边缘设备上的计算。交通流预测任务的实验表明，CNFGNN 在转导和归纳学习设置中都实现了最佳预测性能，在边缘设备上没有额外的计算成本，同时产生适度的通信成本。
阅读原文，了解更多论文！
AMiner AI
AI帮你理解科学
