Buchumschlag

GaGSL: Global-augmented Graph Structure Learning via Graph Information Bottleneck

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Shuangjie, Song, Jiangqing, Zhang, Baoming, Ruan, Gaoli, Xie, Junyuan, Wang, Chongjun
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Graph Neural Networks with Coarse- and Fine-Grained Division for Mitigating Label Sparsity and Noise
von: Li, Shuangjie, et al.
Veröffentlicht: (2024)

Graph Structure Learning with Temporal Graph Information Bottleneck for Inductive Representation Learning
von: Xiong, Jiafeng, et al.
Veröffentlicht: (2025)

Similarity-Navigated Conformal Prediction for Graph Neural Networks
von: Song, Jianqing, et al.
Veröffentlicht: (2024)

Dynamic Graph Information Bottleneck
von: Yuan, Haonan, et al.
Veröffentlicht: (2024)

Learning Fair Graph Representations with Multi-view Information Bottleneck
von: Liu, Chuxun, et al.
Veröffentlicht: (2025)

Interpretable Prototype-based Graph Information Bottleneck
von: Seo, Sangwoo, et al.
Veröffentlicht: (2023)

Invariant Graph Learning Meets Information Bottleneck for Out-of-Distribution Generalization
von: Mao, Wenyu, et al.
Veröffentlicht: (2024)

Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting
von: Wu, Lirong, et al.
Veröffentlicht: (2024)

Contrastive Graph Representation Learning with Adversarial Cross-view Reconstruction and Information Bottleneck
von: Shou, Yuntao, et al.
Veröffentlicht: (2024)

Pre-training Graph Neural Networks on Molecules by Using Subgraph-Conditioned Graph Information Bottleneck
von: Hoang, Van Thuy, et al.
Veröffentlicht: (2024)

MLGIB: Multi-Label Graph Information Bottleneck for Expressive and Robust Message Passing
von: Wu, Chaokai, et al.
Veröffentlicht: (2026)

Delayed Bottlenecking: Alleviating Forgetting in Pre-trained Graph Neural Networks
von: Zhao, Zhe, et al.
Veröffentlicht: (2024)

Heterogeneous Information-Bottleneck Coordination Graphs for Multi-Agent Reinforcement Learning
von: Duan, Wei, et al.
Veröffentlicht: (2026)

Molecular Graph Representation Learning via Structural Similarity Information
von: Yao, Chengyu, et al.
Veröffentlicht: (2024)

Revealing Combinatorial Reasoning of GNNs via Graph Concept Bottleneck Layer
von: Niu, Yue, et al.
Veröffentlicht: (2026)

DIB-OD: Preserving the Invariant Core for Robust Heterogeneous Graph Adaptation via Decoupled Information Bottleneck and Online Distillation
von: Yan, Yang, et al.
Veröffentlicht: (2026)

Discovering the Representation Bottleneck of Graph Neural Networks
von: Wu, Fang, et al.
Veröffentlicht: (2022)

Graph data augmentation with Gromow-Wasserstein Barycenters
von: Ponti, Andrea
Veröffentlicht: (2024)

Mitigating the Structural Bias in Graph Adversarial Defenses
von: Fang, Junyuan, et al.
Veröffentlicht: (2025)

MemFly: On-the-Fly Memory Optimization via Information Bottleneck
von: Zhang, Zhenyuan, et al.
Veröffentlicht: (2026)

Directed Acyclic Graph Structure Learning from Dynamic Graphs
von: Fan, Shaohua, et al.
Veröffentlicht: (2022)

Quantifying the Noise of Structural Perturbations on Graph Adversarial Attacks
von: Fang, Junyuan, et al.
Veröffentlicht: (2025)

Pre-training Graph Neural Networks on 2D and 3D Molecular Structures by using Multi-View Conditional Information Bottleneck
von: Hoang, Van Thuy, et al.
Veröffentlicht: (2025)

Normalize Then Propagate: Efficient Homophilous Regularization for Few-shot Semi-Supervised Node Classification
von: Zhang, Baoming, et al.
Veröffentlicht: (2025)

Topological Neural Networks: Mitigating the Bottlenecks of Graph Neural Networks via Higher-Order Interactions
von: Giusti, Lorenzo
Veröffentlicht: (2024)

RAG-GFM: Overcoming In-Memory Bottlenecks in Graph Foundation Models via Retrieval-Augmented Generation
von: Yuan, Haonan, et al.
Veröffentlicht: (2026)

DuetGraph: Coarse-to-Fine Knowledge Graph Reasoning with Dual-Pathway Global-Local Fusion
von: Li, Jin, et al.
Veröffentlicht: (2025)

TimeX++: Learning Time-Series Explanations with Information Bottleneck
von: Liu, Zichuan, et al.
Veröffentlicht: (2024)

Unveiling Global Interactive Patterns across Graphs: Towards Interpretable Graph Neural Networks
von: Wang, Yuwen, et al.
Veröffentlicht: (2024)

Graph Structure Learning with Privacy Guarantees for Open Graph Data
von: Guo, Muhao, et al.
Veröffentlicht: (2025)

GraphEdit: Large Language Models for Graph Structure Learning
von: Guo, Zirui, et al.
Veröffentlicht: (2024)

Dynamic Graph Structure Learning via Resistance Curvature Flow
von: Fei, Chaoqun, et al.
Veröffentlicht: (2026)

Variational Graph Contrastive Learning
von: Xie, Shifeng, et al.
Veröffentlicht: (2024)

Global Concept Explanations for Graphs by Contrastive Learning
von: Teufel, Jonas, et al.
Veröffentlicht: (2024)

Continual Learning on Graphs: Challenges, Solutions, and Opportunities
von: Zhang, Xikun, et al.
Veröffentlicht: (2024)

Federated Graph Condensation with Information Bottleneck Principles
von: Yan, Bo, et al.
Veröffentlicht: (2024)

Can we ease the Injectivity Bottleneck on Lorentzian Manifolds for Graph Neural Networks?
von: Srinivasan, Srinitish, et al.
Veröffentlicht: (2025)

Higher-order Structure Boosts Link Prediction on Temporal Graphs
von: Liu, Jingzhe, et al.
Veröffentlicht: (2025)

Learning Latent Graph Structures and their Uncertainty
von: Manenti, Alessandro, et al.
Veröffentlicht: (2024)

Federated Graph Semantic and Structural Learning
von: Huang, Wenke, et al.
Veröffentlicht: (2024)