Feb, 2018

GeniePath: 自适应接受路径的图神经网络

PDF
TL;DR介绍了 GeniePath，一种可扩展的方法来学习置换不变图数据上定义的神经网络的自适应接受野。该方法的自适应路径层由两个互补函数组成，分别用于广度和深度探索，在传递性和归纳性设置中均可使用，并于其他方法进行了广泛实验证明可以得到最先进的结果。
geniepathadaptive receptive fieldsneural networksgraph datastate-of-the-art results
发现论文，激发创造
  • PathNet：进化引导梯度下降的超级神经网络

    PathNet 是一个神经网络算法，利用嵌入到神经网络中的代理，其任务是发现用于新任务的网络哪些部分可以重新使用以允许参数重用，以防止灾难性遗忘。我们证明了它在二进制 MNIST，CIFAR 和 SVHN 监督学习分类任务和一组 Atari 和 Labyrinth 强化学习任务上具有广泛适用性。

    Jan, 2017

  • PathSAGE: 随机路径采样的空间图注意力神经网络

    本文介绍一种名为 PathSAGE 的模型，它使用 Transformer 编码器聚合从中心节点开始的路径样本，以学习高阶拓扑信息，提高模型的性能，并避免了太深的 GCNs 可能会遇到的 “邻居爆炸” 和 “过度平滑” 问题，同时在归纳学习任务中达到了与最先进模型相当的性能表现。

    Mar, 2022

  • DeepPath: 知识图谱推理的强化学习方法

    本文提出了一种基于强化学习的多跳关系路径学习框架，利用知识图谱嵌入、采样方式和奖励函数提高路径推理的精度、多样性和效率，并在 Freebase 和 Never-Ending Language Learning 数据集上展示了其优异性能。

    Jul, 2017

  • 基于路径积分的图神经网络卷积与池化

    该研究提出了一种基于路径积分的图神经网络 (PAN)，通过引入可学习的路径权重，相当于引入了最大熵随机游走，将图卷积和池化映射到了新的过渡矩阵上，其中的对角线项与子图中心度密切相关，提供了一种自然且适应性强的池化机制。PAN 可用于各种图数据大小和结构不同的情况，并在各种图分类 / 回归任务上取得了最先进的性能。

    Jun, 2020

  • 迈向更深的图神经网络

    本研究对图神经网络进行深入探究，提出了解决深度学习中过度平滑问题的新方法，并通过实验证明了其在引文、合著和共同购买等领域的卓越表现。

    Jul, 2020

  • 基于路径积分的卷积方法用于深度图神经网络

    本文提出了一种基于路径积分方法的最大熵转移矩阵，称为 PAN 框架，该框架替代了通常用于图结构数据的图拉普拉斯卷积，可以有效提高图神经网络的学习效果和收敛速度，同时在基准测试任务上达到了最先进的性能水平。

    Apr, 2019

  • 通过遍历权重空间的功能不变路径来构建灵活的机器学习系统

    通过构建具有功能等效性的网络的路径连接集合，将神经网络的权重空间视为弯曲的黎曼流形并沿着功能不变路径将网络移动，同时寻找满足次要目标的网络，通过路径抽样算法，能够训练具有数百万权重参数的神经网络来学习一系列分类任务而不会损失性能，同时适应包括网络稀疏化，增量任务学习和增加对抗强度在内的次要目标。

    Apr, 2022

  • 预测时变图中路径失败

    本篇论文介绍了用时间演化图对现实中的网络进行建模，并研究了时间演化图中路径分类问题的应用，设计了一种新颖的深度神经网络 LRGCN 和路径表示方法 SAPE，实验结果表明 LRGCN 在路径预测方面比其他竞争方法更有效，SAPE 在路径表示方面也表现出显著的效果。

    May, 2019

  • 图消除网络

    通过消除冗余进行邻域传播的算法，图消除网络（GENs）提升了节点感知远距离邻域的能力并扩展了网络传播深度。大量实验表明，GENs 在各种图级和节点级数据集上优于现有方法。

    Jan, 2024

  • 自适应信息路径规划的深度强化学习与动态图

    自适应在线路径规划和深度强化学习的无人机机器人在未知环境中更高效地探测目标。

    Feb, 2024