May, 2019

利用拉普拉斯池化实现可解释的稀疏图表示学习

PDF
TL;DR本研究提出了一种基于 LaPool 的 Hierarchical Graph Pooling 方法，该方法可以提高图分子的表示，有助于药物设计和有效的分子生成。这种方法已经在分子图预测和理解任务上进行了基准测试，并且表现出优于最近 GNN 的性能，同时它也在非分子任务上表现出良好的竞争力。此外，定量和定性评估证明了 LaPool 的解释性和其在药物设计中的潜在益处，并且该方法的可用性也被证明可以集成到对抗性自动编码器中，以生成有效和新颖的分子。
graph neural networksmolecular activitylapooldrug designmolecule generation
发现论文，激发创造
  • 分子图上的稀疏分层表示学习

    基于含边界特征的层次化稀疏表示学习架构，提出了两种用于层次化图形表征汇聚的层，并在 MoleculeNet 数据集上进行了验证，结果表明该模型在药物发现领域是最先进的。

    Aug, 2019

  • 可微池化的分层图形表示学习

    本文提出了 DiffPool 模型，可以生成层次化的图表示，并可与各种图神经网络结构直接相结合。实验结果表明，结合 DiffPool 模型的 GNN 方法在图分类基准测试中的准确性平均提高了 5-10％，相比所有现有的汇聚方法，实现了四个基准数据集的新的最优性。

    Jun, 2018

  • LaplacianNet：基于 Laplacian 编码和汇聚的三维网格学习

    在处理 3D meshes 方面，Laplacian spectral analysis 和 Mesh Pooling Blocks（MPBs）的结合可以更好地处理表面的局部池化和全局信息聚合，并使用 Correlation Net 计算相关矩阵来进行形状分割和分类，模型表现优良。

    Oct, 2019

  • 具有 EigenPooling 的图卷积网络

    本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m，实验结果表明该框架具有良好的效果。

    Apr, 2019

  • 带有结构学习的层次图池化

    本文提出了一种新的 Hierarchical Graph Pooling with Structure Learning (HGP-SL) 图池化算子来生成图结构的分层表示，并将其与图神经网络相结合，专注于图分类任务。通过实验结果表明，这种方法在六个广泛应用的基准测试中均取得了良好的效果。

    Nov, 2019

  • 图上的拓扑池化

    提出使用持久同调和地标的复合拓扑池化层并设计新的局部和全局可学习的拓扑表示方法以从图中提取有区分性的拓扑信息，该方法在 11 个不同的基准数据集上超过 18 个基线模型，显示出对比竞争对手更佳的实验表现。

    Mar, 2023

  • Everybody Needs a Little HELP: 通过层次概念解释图形

    提供 HELP (Hierarchical Explainable Latent Pooling) 这一新颖、本质上可解释的图汇聚方法，它揭示了不同图神经网络层次的概念如何组合成后续步骤中的新概念。通过定性分析和定量验证，我们证明了 HELP 在化学和社交网络领域的领域知识上与标准 GCN 和热门汇聚方法表现相当的准确性，同时提供了更易于理解的解释。这项工作代表了对图神经网络的理解迈出的第一步，超越了来自最终层次的一组概念，而是解释了不同层次概念之间的复杂相互作用。

    Nov, 2023

  • 无监督异常检测的图编码器 - 解码器网络

    本文提出一种无监督的图编码 - 解码模型，通过学习异常评分函数来识别图中的异常节点，其中采用一种名为 LCPool 的新型汇聚机制来生成更粗糙的图表示，并提出了一种名为 LCUnpool 的解汇聚操作来重建原始图的结构和节点特征。经过实证评估，该方法在六个基准数据集上使用多个评估指标取得了优于现有异常检测方法的结果。

    Aug, 2023

  • 图神经网络中池化操作的重新思考

    本文研究图形池化（Graph pooling）对图神经网络（GNN）性能的影响，使用随机化或补图聚类的变体挑战了保留局部性表示的必要性，并表明了卷积层在学习表示中的领导作用。与普遍认为的不同，局部池化并非导致 GNN 在相关且广泛使用的基准测试中获得成功的原因。

    Oct, 2020

  • 高效对比图交互学习的共同关注图池化

    提出了一种新颖高效的图级方法，通过图池化中的共同注意力来提取交互表示，该方法在使用真实世界数据集的分类和回归任务中相对于现有方法表现竞争力，同时保持较低的计算复杂度。

    Jul, 2023