Feb, 2018

MotifNet：基于 motif 的有向图卷积网络

PDF
TL;DR本文提出了 MotifNet 的概念，是一种基于本地图形的卷积神经网络 (Graph CNN)，旨在解决传统基于图拉普拉斯特征向量 (Spectral CNNs) 所遇到的无向图假设的限制，并且在真实数据上取得了较好的效果。
graph convolutional neural networksspectral cnnsmotifnetdirected graphslocal graph motifs
发现论文，激发创造
  • 基于模式的图卷积神经网络

    该论文介绍了一种新的卷积神经网络架构，名为 Motif-CNN，能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。

    Nov, 2017

  • 基于模 motif 的注意力机制的图卷称神经网络

    本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。

    Nov, 2018

  • 快速局部谱滤波的图卷积神经网络

    该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。

    Jun, 2016

  • 面向带符号加密货币信任网络的基于时序 GCN 的模式感知欺诈检测

    本文关注加密货币网络上的欺诈检测，使用图形卷积网络处理这些图形。采用局部结构和平衡理论指导训练，使用基本矩阵捕捉局部拓扑信息，并在 GCN 聚合过程中使用它们，实现在时间窗口内的嵌入加权平均。实验结果表明，本文所提出模型优于文献中的模型。

    Nov, 2022

  • 超越局部化图神经网络：一种基于属性模式正则化的框架

    介绍了一种新的半监督学习框架，名为 InfoMotif，可有效提升 GNN 的性能。该框架通过节点在网络中存在的结构角色来实现节点表示的优化，同时通过最大化互信息来实现任意 GNN 的零计划独立性。经过实验测试，InfoMotif 在 6 个真实世界数据集上取得了显著的准度提升，特别是在局部邻域结构上具有稀疏标签和多样属性的节点。

    Sep, 2020

  • 基于模式的图形表示对比学习

    通过学习图模式 (Motif)，对大型图数据库进行 GNN 预处理，进而利用学习到的模式采样更多信息化的子图，通过对子图的对比学习预训练 GNN，使其性能在多个基准数据集中平均提高了 2.04% 的 ROC-AUC。

    Dec, 2020

  • 图上的谱网络和局部连接网络

    本文探讨了如何将卷积神经网络推广到更广泛的定义域上。作者提出了两种构造方法，分别基于分层聚类和图拉普拉斯谱。结果表明，在低维图形上，可以实现独立于输入尺寸的卷积层学习，从而实现高效的深度网络结构。

    Dec, 2013

  • HoloNets：光谱卷积扩展到有向图

    在图学习领域中，传统智慧认为谱卷积网络只能在无向图上部署：只有在这种情况下，才能保证存在一个明确定义的图傅里叶变换，以便在空间域和频谱域之间进行信息翻译。然而，我们通过使用复分析和谱理论中的某些高级工具，证明了这种对图傅里叶变换的依赖是多余的，并将谱卷积扩展到了有向图上。我们提供了对新开发的滤波器的频率响应解释，研究了用于表示滤波器的基函数的影响，并讨论了网络所基于的特征算子之间的相互作用。为了彻底测试所开发的理论，我们在真实的环境中进行了实验，展示了有向谱卷积网络在许多数据集上对异质节点分类提供了最新的最优结果，并且与基准线相比，可以在不同拓扑扰动的分辨率尺度下保持稳定。

    Oct, 2023

  • 学习用于图形的卷积神经网络

    该研究提出了一种学习卷积神经网络用于任意图形的框架，以提取本地连接区域。使用公认的基准数据集，我们证明了学习特征表示与最先进的图形核心竞争，并且计算效率很高。

    May, 2016

  • 基于频谱的有向图卷积网络

    本文提出了一种改进的基于谱的图卷积网络，通过利用重新定义的拉普拉斯矩阵改进传播模型，可以直接处理定向图，并在半监督节点分类任务中表现出比当前最先进的方法更好的效果。

    Jul, 2019