移动聚合提取网络

Mar, 2017

Shift Aggregate Extract Networks

Francesco Orsini, Daniele Baracchi, Paolo Frasconi

TL;DR本研究提出一种基于深层分解的体系结构，以学习大型图的有效表示。通过在图的分解层次上展开神经网络模板，解决通常表征社交网络图的高度可变性。采用领域压缩技术，减少空间和时间复杂性，实验证明该方法与当前最先进的图分类方法具有竞争力。

Abstract

We introduce an architecture based on deep hierarchical decompositions to learn effective representations of large graphs. Our framework extends classic R-decompositions used in kernel methods, enabling nested "part-of-part" relations. Unlike recursive neural networks, which unroll a t

deep hierarchical decompositions graph representation neural network template social network graphs graph classification

发现论文，激发创造

一个使用层次聚类的多尺度图卷积网络

研究了利用多尺度分解通过层次拓扑信息的新型体系结构，并通过 Girvan-Newman 层次聚类算法生成了一棵树，使得架构可以学习从粗到细的多尺度潜在空间表示，并在基准引文网络上表现出竞争力。

Jun, 2020

使用多部分图表示探索稀疏神经网络内部

本文提出了一种新的 unrolled input-aware bipartite Graph Encoding 算法用于寻找 DNN 中的高效子网络并研究其拓扑结构，以探究现有的剪枝算法和拓扑结构之间的差异以及与性能之间的关系。

May, 2023

基于分层张量分解的卷积网络分析与设计

本文通过等价于分层张量分解的方式，分析了各种卷积神经网络架构特征的表达效率和归纳偏置，并提供了新的网络设计工具。

May, 2017

神经网络中的可解释性部分 - 整体层次结构和概念 - 语义关系

本文介绍了一种名为 Agglomerator 的框架，它可以通过视觉线索提供部分 - 整体层次结构的表示，并组织与类别之间的概念语义层次结构相匹配的输入分布，从而提高神经网络的可解释性。作者在 SmallNORB、MNIST、FashionMNIST、CIFAR-10 和 CIFAR-100 等常见数据集上进行了评估，并提供了比其他最先进方法更易解释的模型。

Mar, 2022

HiGen：层次图生成网络

提出了一种新的图生成网络，以获得具有层级结构的图，并通过模块化方法在层级结构的不同级别生成社区，根据多项式分布对层级图中的边进行建模并成功地捕获了局部和全局性质。

May, 2023

深度集合学习及聚合选择

研究了 Deep Set 学习的核心组成部分：聚合函数；提出并检查了替代常用聚合函数的方法，包括可学习的循环聚合函数，并在实验中发现 Deep Set 网络对聚合函数的选择非常敏感：在改善性能的同时，我们发现可学习的聚合函数可以降低超参数的敏感度，并更好地推广到分布外的输入大小。

Mar, 2019

展开所有 ReLU 网络

本篇论文阐述了深度 ReLU 网络可以分解成输入空间划分的区域内的线性模型集合，并将该理论推广到图神经网络和张量卷积网络等复杂网络上。此外，该论文证明了神经网络可以被理解为可解释的模型，如多元决策树和逻辑理论，并展示了该模型如何导致便宜且准确的 SHAP 值计算。最后，该理论通过与图神经网络的实验得到了验证。

May, 2023

稀疏分层图分类器的研究

本文探讨了如何在图形分类中利用图卷积网络（graph convolutional networks）进行节点嵌入（node embeddings）、不可区分形式学习（representation learning）和不可区分形式学习（differentiable graph coarsening），并且没有牺牲稀疏性，为未来基于图形的神经网络研究指出了重要方向。

Nov, 2018

树分解图神经网络

本文提出了一种基于树分解的图神经网络，可减轻不同层之间的特征平滑，并利用多跳依赖来聚合信息，实验结果表明其在 homophily 和 heterophily 网络的节点分类设置下有卓越的表现。

Aug, 2021

基于滤波器组逼近的极端网络压缩

该论文提出了一种基于滤波器组逼近的新型分解方法，该方法可以显著减少深度卷积神经网络中的冗余，同时保持大部分特征表示，通过在每层中利用滤波器组结构，相比于其他基于低秩分解算法，我们的方法可以在多个图像分类数据集上减少 80% 以上的算术运算量（FLOPs），并减少精度损失，另外，实验证明我们的方法有助于缓解压缩网络的退化现象，从而提高网络的收敛性和性能。

Jul, 2018