Mar, 2019

门控图卷积循环神经网络

PDF
TL;DR本文提出了一种专门针对地震震中和天气预测等问题的图形卷积递归神经网络 (GCRNN) 架构，使用卷积滤波器组保持可训练参数的数量与图形尺寸和时间序列无关，并提出了 Gated GCRNNs，一种类似于 LSTM 的时间门控变体。在使用合成和实际数据进行的实验中，与 GNN 和另一种图形递归架构相比，GCRNN 显着提高了性能，同时使用的参数数量要少得多。
graph convolutional recurrent neural networkconvolutional filter banksgated gcrnnsgnnsepicenter
发现论文，激发创造
  • 利用图卷积循环神经网络进行结构化序列建模

    本文介绍了图卷积循环网络（GCRN），这是一种深度学习模型，能够预测结构化数据序列。GCRN 是经典递归神经网络（RNN）在任意图结构数据上的泛化。该模型将图上的卷积神经网络 (CNN) 与 RNN 相结合，以找出动态模式和空间结构，并将其应用于 MNIST 数据预测和 Penn Treebank 数据集的自然语言建模。实验表明，同时利用数据的图空间和动态信息可以提高精度和学习速度。

    Dec, 2016

  • 门控图循环神经网络

    本文介绍了图递归神经网络 (GRNNs) 作为一种利用递归隐藏状态与图信号处理 (GSP) 相结合的学习框架，以学习来自于图处理中的时空结构。结果表明，GRNNs 在长期依赖问题上的表现优于 GNNs 和 RNNs。

    Feb, 2020

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019

  • 残差门控图卷积网络

    本文研究了将深度学习方法推广到图论领域，通过对比 RNN 和 ConvNet 的效果，将门控边缘和残差技术用于设计神经网络对图学习任务进行分类，获得了比现有方法更高的准确率和更快的速度。

    Nov, 2017

  • 用于交通预测的动态图卷积循环神经网络：基准和解决方案

    文章提出了一种名为 DGCRN 的交通预测框架，该框架利用动态图卷积和循环神经网络来建模道路网络上节点之间的动态关系，并在每个时间步骤生成动态图来预测交通流量。经过实验证明，该方法的效果优于 15 个基线模型。

    Apr, 2021

  • EvolveGCN: 为动态图演变的图卷积网络

    本研究提出一种新的方法 EvolveGCN，其结合了时间因素和图卷积网络 (GCN) 模型，利用循环神经网络 (RNN) 来推动 GCN 参数的演变，从而对动态图的序列进行建模，实现了对于转化后的动态图的高效预测和分类。

    Feb, 2019

  • 使用循环图神经网络学习图算法

    针对图状数据的学习问题，该研究提出了一种基于递归架构的图神经网络算法，其关键在于使用跳过连接、状态规则化和边缘卷积等三种技术以实现对小型图问题的端到端学习及大规模图问题的推广。实验证明该算法具有较高的推广能力。

    Dec, 2022

  • 图神经网络：方法和应用综述

    本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

    Dec, 2018

  • 交通预测的自适应图卷积循环网络

    本文提出自适应图卷积循环神经网络 AGCRN，其中包括两个自适应模块（节点自适应参数学习模块和数据自适应图生成模块），用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明，AGCRN 在不需要预先定义空间连接图的情况下显著优于现有的相关方法。

    Jul, 2020

  • 门控图神经网络实现的图到序列学习

    提出了一种新的神经网络模型结合 Gated Graph Neural Networks 和输入转换解决了线性化启发式和参数爆炸问题，可以对 AMR 图和基于语法的神经机器翻译进行生成，实验结果表明该模型优于强基线模型。

    Jun, 2018