本文已参与「新人创作礼」活动，一起开启掘金创作之路。
- 欢迎关注WX公众号，每周发布论文解析：PaperShare, 点我关注
Paper1-Paper2
Paper3
摘要简介
- 评价生成模型在图像数据集上的好坏肉眼都能看出来，但是在graph上就没那么明显了。
- 现有的评价GGM（graph generative model）的指标有三个方面的不足:
- 没有单一的scalar指标。
- 很难考虑到潜在的边和节点特征。
- 慢
- 提出了一些评价指标，基于无需训练的GNN来解析的特征。
- 指标能够很好的比较出graph的差异和保真度，并且效率高。
- 实验表明，2种指标比以前的要好，并且能够在不考虑问题domain的情况下去比较两个graph集合。
- code
实验
这图看起来真是酷炫啊。。。
数据集：
效果：
Paper4
摘要简介
- 挖掘节点特征和图结构的关系，有助于更好地提高GNN的性能。
- 现有的基于自监督的GNN在提取节点特征的时候，忽略了图结构，导致不能充分利用节点特征和图结构的关系
- 我们提出了GIANT，使用了XMC（Multi-label Classification formalism）解决这个问题。
- XMC利用graph information，对于fine-tuning 语言模型很有帮助，可以扩展大大数据集上。
- 在OGB （Open graph benchmark，by Standford大佬）link prediction任务ogbn-papers100M数据集上取得SOTA。
框架
就是在fine-tuning NLP model阶段的时候加入了Graph information。
实验
