IJCAIMay, 2019

MR-GNN：用于预测结构化实体交互的多分辨率和双图神经网络

PDF
TL;DR本文提出了 MR-GNN，这是一种具有多分辨率结构的图神经网络，能够从不同尺度的数据邻域中提取特征以及提取成对图之间的交互特征，相较于现有方法，显示出更好的预测效果。
graph neural networksmulti-resolutionstructured entitiesinteraction featuresstate-of-the-art methods
发现论文，激发创造
  • GoGNN: 面向预测结构化实体交互的图之间神经网络

    本文提出了一种名为 GoGNN 的图对图神经网络，能够用双重注意机制提取结构化实体图和实体间交互图中的特征并保持邻居的重要性，在化学、药学等领域的实体交互预测任务中表现出了优异的性能。

    May, 2020

  • 基于强化邻域选择的多关系图神经网络

    该论文提出了一种新的 Graph Neural Network 体系架构（RioGNN），通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘，并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明，该方法比其他比较方法更有效，更高效，并具有更好的模型解释性。

    Apr, 2021

  • 通过解耦上下文表示学习和结构信息传播重新审视图形意义表示

    在自然语言理解领域中，神经模型和图形意义表达（GMR）的交叉点仍然是一个引人注目的研究领域。本文通过引入 DAGNN-plus，一种简单且参数高效的神经架构，将上下文表示学习与结构信息传播解耦，从而填补 GMR 的确切影响的空白。通过与各种序列编码器和 GMRs 配对，该架构为英文和中文的两个数据集上进行系统实验提供了基础。实证分析使用了四种不同的图形形式和九个解析器。结果对 GMRs 的理解提供了细致入微的认识，显示出四个数据集中有三个的改进，特别是依靠高度准确的解析器的英文比中文更受青睐。有趣的是，与一般领域数据集相比，GMRs 对文学领域数据集的有效性较低。这些发现为更加明智地设计 GMRs 和解析器以提高关系分类奠定了基础，预计对自然语言理解研究的未来发展产生实质性影响。

    Oct, 2023

  • 多视图图神经网络用于分子性质预测

    使用多视图神经网络和交叉依赖的消息传递机制，以预测分子性质为目的，构建了一种能够同时利用节点（原子）和边（化学键）信息的表达力强的模型，并在多个基准测试中表现出优异性能。

    May, 2020

  • 一种利用实体引导的，采用关系异构图神经网络的文本摘要框架

    本篇论文提出了一种基于实体的文本摘要方法，采用实体构建句子 - 实体图，连接知识图谱和图神经网络实现摘要，提高了提取式和生成式基线的性能。

    Feb, 2023

  • SMGRL: 可扩展的多分辨率图表示学习

    我们提出了一个可应用于任何现有 GCN 模型的可扩展多分辨率图表示学习 (SMGRL) 框架，通过学习多分辨率节点嵌入有效地捕获长和短距离依赖，并将其聚合以产生捕获高质量节点嵌入的优化算法，同时提高分类准确度，而不会产生高计算成本。

    Jan, 2022

  • 语言和图神经网络模型的高效有效训练

    本文提出了一种有效的框架，称为语言模型图神经网络 (LM-GNN)，通过分阶段的 BERT 模型微调来结合异构图结构与文本，以便在多项监督学习任务中实现节点和边分类以及链接预测，并在不同的数据集上评估了这个框架且在一个亚马逊搜索 - 购买 - 产品的应用中提供了有竞争力的结果。

    Jun, 2022

  • 学习图神经网络中的图网络

    本篇论文提出了一种新的图形神经网络 GL-GNN，通过学习关系的图形和选择重要数据特征以解决未知图形、节点具有嘈杂特征和图形含有噪声连接等三个问题，并在多个数据集上与基线方法进行对比， 能够选择重要特征和图形边缘。

    Oct, 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

  • 用于学习图结构对象相似性的图匹配网络

    本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

    Apr, 2019