AAAI（Association for the Advancement of Artificial Intelligence）意为国际先进人工智能协会，是人工智能领域的主要学术组织之一。旨在推动智能思维与行为机制的科学理解及机器实现，并促进人工智能的科学研究和规范应用。被中国计算机协会 CCF 推荐为 A 类会议。

AAAI 2022 的论文接收结果：共有9020篇有效投稿，其中1349篇论文被接收，接收率仅为14.96%，创历史新低！

本文主要整理下 AAAI 2022-Main Track 中图机器学习/图神经网络方向相关研究成果。

📢 由于图相关工作量较多因此本文仅记录个人感兴趣的研究，主要包括图机器学习场景，图神经网络 × 图聚类/无监督表示学习/模型解释性等。

01

论文标题 LUNAR: Unifying Local Outlier Detection Methods via Graph Neural Networks

研究方向 图神经网络结合离群点检测

论文链接 https://arxiv.org/abs/2112.05355

主要内容 许多成熟的异常检测方法使用样本与其本地邻域样本的距离：所谓的 “本地离群点方法”，如LOF和DBSCAN。它们因其简单的原理和在许多实际应用中常见的非结构化、基于特征的数据上的强大性能而受到欢迎。然而，由于缺乏可训练的参数，它们无法学会适应特定的数据集。在本文中，我们首先统一了局部离群法，表明它们是图神经网络中使用的更普遍的消息传递框架的特殊情况。这使我们能够以神经网络的形式将可学习性引入局部离群点方法，以获得更大的灵活性和表现力：具体来说，我们提出了LUNAR，一种新颖的、基于图神经网络的异常检测方法。LUNAR以可训练的方式学习使用每个节点的近邻的信息来寻找异常点。我们表明，我们的方法比现有的局部异常点方法以及最先进的深度基线表现得更好。我们还表明，我们的方法的性能对本地邻域大小的不同设置更为稳健。

源码链接 https://github.com/agoodge/lunar

02

论文标题 PageRank for Edges: Axiomatic Characterization

研究方向 图中边中心性度量

论文链接 https://arxiv.org/abs/2112.04339

主要内容 边缘中心度量是评估网络中边缘的重要性的函数。它们可以用来评估一个反向链接对一个网站的受欢迎程度的作用，以及一个航班在病毒传播中的重要性。各种节点中心性已经被翻译成适用于边，包括Edge Betweenness、Eigenedge（边缘版的Eigenvector中心性）和Edge PageRank。通过这篇论文，我们开始讨论边缘中心性度量的公理属性。我们通过提出Edge PageRank的公理特性来做到这一点。我们的表征是文献中第一个对任何边缘中心性度量的表征。

源码链接

03

论文标题 A Graph Convolutional Network with Adaptive Graph Generation and Channel Selection for Event Detection

研究方向 图中事件检测问题

论文链接

主要内容

源码链接

04

论文标题 ProtGNN: Towards Self-Explaining Graph Neural Networks

研究方向 图神经网络的解释性

论文链接 https://arxiv.org/abs/2112.00911

主要内容 尽管图形神经网络（GNNs）最近取得了进展，但解释GNNs的预测仍然具有挑战性。现有的解释方法主要集中在事后解释上，即采用另一个解释模型来为受过训练的GNN提供解释。事后解释方法不能揭示GNN的原始推理过程，这就提出了建立具有内在可解释性的GNN的必要性。在这项工作中，我们提出了原型图神经网络（ProtGNN），它将原型学习与GNN相结合，为GNN的解释提供了一个新的视角。在ProtGNN中，解释是由基于案例的推理过程自然产生的，并在分类过程中实际使用。ProtGNN的预测是通过将输入与潜在空间中的一些学习到的原型进行比较而得到的。此外，为了获得更好的可解释性和更高的效率，在ProtGNN+中加入了一个新的条件子图采样模块，以表明输入图的哪一部分与每个原型最相似。最后，我们在广泛的数据集上评估了我们的方法，并进行了具体的案例研究。广泛的结果表明，ProtGNN和ProtGNN+可以提供固有的可解释性，同时达到与不可解释性对应物相同的精度。

源码链接

05

论文标题 Robust Graph-based Multi-view Clustering

研究方向 图聚类

论文链接

主要内容

源码链接

06

论文标题 Simple Unsupervised Graph Representation Learning

研究方向 无监督图表示学习

论文链接

主要内容

源码链接

07

论文标题 Deep Graph Clustering via Dual Correlation Reduction

研究方向 图聚类

论文链接 https://arxiv.org/abs/2112.14772

主要内容 深度图聚类，其目的是揭示潜在的图结构，并将节点划分为不同的组，近年来引起了广泛的关注。然而，我们观察到，在节点编码的过程中，现有的方法存在着表征崩溃的问题，即倾向于将所有数据映射到相同的表征中。因此，节点表示的鉴别能力是有限的，导致聚类性能不尽人意。为了解决这个问题，我们提出了一种新的自监督的深度图聚类方法，称为双相关减少网络（DCRN），以双重方式减少信息的相关性。具体来说，在我们的方法中，我们首先设计一个连体网络对样本进行编码。然后，通过强迫跨视点样本相关矩阵和跨视点特征相关矩阵分别近似于两个身份矩阵，我们在双重层面上降低了信息相关性，从而提高了所得到的特征的判别能力。此外，为了缓解GCN中过度平滑引起的表征崩溃，我们引入了一个传播正则化项，使网络能够在浅层网络结构中获得长距离信息。在六个基准数据集上的大量实验结果证明了所提出的DCRN对现有最先进方法的有效性。

源码链接 https://github.com/yueliu1999/dcrn

08

论文标题 Directed Graph Auto-Encoders

研究方向 无监督有向图表示学习

论文链接

主要内容

源码链接

09

论文标题 Graph-wise Common Latent Factor Extraction for Unsupervised Graph Representation Learning

研究方向 无监督图表示学习

论文链接 https://arxiv.org/abs/2112.08830

主要内容 无监督的图层表示学习在各种任务中起着至关重要的作用，如分子特性预测和群体分析，特别是当数据注释很昂贵时。目前，大多数表现最好的图嵌入方法是基于Infomax原理的。这些方法的性能高度依赖于负面样本的选择，如果样本没有被仔细选择，则会损害性能。如果选定的用于相似性匹配的图集质量不高，基于图间相似性的方法也会受到影响。为了解决这个问题，我们只专注于利用当前的输入图进行嵌入学习。我们的动力来自于对现实世界图形生成过程的观察，在这个过程中，图形是基于一个或多个全局因素形成的，这些因素对图形的所有元素都是共同的（例如，一个讨论线程的主题，一个分子的溶解度水平）。我们假设，提取这些共同因素可能是非常有益的。因此，这项工作为无监督的图表示学习提出了一个新的原则。图的共同潜在因素提取（GCFX）。我们进一步提出了GCFX的深度模型，即deepGCFX，该模型基于逆转上述图的生成过程的想法，可以明确地从输入图中提取共同潜伏因子，并在下游任务中取得比目前最先进的结果。通过大量的实验和分析，我们证明，虽然提取共同潜伏因素有利于图层面的任务，以减轻单个节点或局部邻域的局部变化所造成的干扰，但它也有利于节点层面的任务，因为它可以实现长距离的节点依赖，特别是对于不对称的图。

源码链接 https://github.com/thilinicooray/deepgcfx

10

论文标题 Beyond GNNs: An Efficient Architecture for Graph Problems

研究方向 GNN 性能

论文链接 https://openreview.net/pdf?id=Px7xIKHjmMS

主要内容 尽管在图结构数据的学习问题上很受欢迎，但现有的图神经网络（GNNs）对于基本的图问题，如最短路径、连接性、最小生成树和最小切割，有其固有的局限性。在所有这些情况下，众所周知，我们需要高深度的GNN，以多项式的速度与节点的数量进行扩展，以证明对解决空间的编码。这反过来又影响了它们的统计效率，因此需要大量的训练数据以获得具有良好性能的网络。在这项工作中，我们提出了一个新的混合架构来克服这个限制。我们提出的架构被称为GNNplus网络，它涉及多个平行的低深度GNN以及涉及低深度全连接网络的简单池化层的组合。我们证明，对于许多图形问题，解决空间可以由GNNplus网络编码，其深度仅以节点数的多对数形式扩展。这极大地改善了我们通过改进的泛化界线建立的所需训练数据量。最后，我们用经验证明了我们提出的架构对各种图问题的有效性。

源码链接