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
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。
Feb, 2018
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
本文针对图神经网络进行多个实验,并研究其在节点分类问题中的理论表现。研究结果指出,图注意力机制可以区分类内和类间边缘,重要边的权重得以保留,进而实现完美的节点分类。
Feb, 2022
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
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
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
本文提出新颖的神经网络结构图注意力网络(GATs),利用掩码的自我关注层处理图结构化数据的缺点,有效提出解决谱学派图神经网络中的几个关键挑战的方法,并在四个数据集上取得了最先进的结果。
Oct, 2017
该研究引入了两个可端到端训练的操作符,在超图卷积和超图注意机制方面,以在高阶关系的图结构数据上有效地学习深度嵌入,并在半监督节点分类方面展示了其有效性。
Jan, 2019
本研究提出了使用图神经网络模型进行图像分类的方法,将输入图像转换为区域邻接图,在该图中,区域是超像素,边连接相邻超像素。实验表明,将图卷积与自我关注机制相结合的图注意力网络(GATs)优于其他图神经网络模型。
Feb, 2020