Die Effektivität von Graphenlernmodellen hängt von der Kompatibilität zwischen Graphentopologie und Graphenaufgaben ab. Wir schlagen eine Metrik namens TopoInf vor, um den Einfluss der Topologie auf die Leistung von Graphenlernmodellen zu charakterisieren.
Das Polynomiale Graphische Lasso (PGL) ist ein neuer Ansatz zum Lernen von Graphstrukturen aus Knotensignalen. Durch die Modellierung der Signale als Gaußsch und stationär auf dem Graphen kann PGL die Stärken des Graphischen Lasso mit einem umfassenderen Modell kombinieren.
Durch das Gruppieren von Aufgaben basierend auf höherwertigen Aufgabenaffinitäten kann die Leistung des Multitask-Lernens auf Graphen deutlich verbessert werden.
Lernen von fehlertoleranten Repräsentationen auf Graphen zur Verbesserung der Robustheit gegen Labelrauschen.
Effektive Reduzierung von Labelrauschen auf Graphen durch die Verwendung von Topologischer Stichprobenauswahl.