本文提出了一种新的基于统计学方法的判别子图特征选择算法 DUG,采用了动态规划计算判别分数的概率分布,并提出了一种分支界限搜索算法以高效地找到判别子图特征。在多个神经影像应用程序上广泛实验,结果表明在识别用于图分类的判别子图特征时考虑结构性不确定性对性能提高有显著帮助。
Jan, 2013
该研究探索了卷积神经网络在图信号处理方面的应用,通过构建选择图神经网络和聚合图神经网络,对信号的卷积和池化进行了重新解释,实现了在图数据上的卷积神经网络。此外,该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。
May, 2018
该研究论文研究了一类无序聚合函数的设计,用于优化二阶特征提取和标准化过程中的贡献均衡,并证明它们能够像一阶聚合函数一样高效地运算,并在许多分类任务中表现出最先进的性能,特别是通过草图计算在较低维度计算二阶特征聚合。
Aug, 2018
研究了 Deep Set 学习的核心组成部分:聚合函数;提出并检查了替代常用聚合函数的方法,包括可学习的循环聚合函数,并在实验中发现 Deep Set 网络对聚合函数的选择非常敏感:在改善性能的同时,我们发现可学习的聚合函数可以降低超参数的敏感度,并更好地推广到分布外的输入大小。
Mar, 2019
此篇论文主要针对大规模图形表示学习的高成本问题,提出了自适应视图图神经编码器(AVGE)以及结构感知的群体判别(SAGD)方法,通过这两个方法,能够将大规模数据集的训练和推理成本显著降低 250 倍,并且不会丧失下游任务性能。
Mar, 2023
本文研究了 GNN 在同构和异构图中节点分类性能的差异。我们提出了一种非 i.i.d PAC-Bayesian 概率界,并通过特征聚合距离和同质比异质性差异解释了性能差异,并证实了较深的 GNN 的有效性。此外,我们发现了图形分布偏移问题的一个新因素,并提出了相应的新场景。
Jun, 2023
本篇论文提出通过增加双通道筛选器以替换传统图神经网络中的聚合操作,从而避免节点表示逐渐失去其标识并变得不可区分,最终在 9 个节点分类任务上获得了显著的表现提升。
Dec, 2022
我们提出了一种基于聚合归一化图卷积网络的方法,通过在图采样中利用聚合、跳跃连接和标识映射,将图像和非图像特征融入节点和边缘,从而增强了预测能力,提供了大脑疾病潜在机制的整体视角。实验结果表明,在自闭症谱系障碍和阿尔茨海默病的预测上,相对于图卷积网络,我们的方法在准确度方面分别提高了 50% 和 13.56%。
Nov, 2023
研究了超图神经网络的表达能力、学习和(结构)通用性的框架,着重研究如何从有限数据集中学习,并对任意输入大小的图推理问题进行结构上的泛化。
本文提出了一种新的基于几何学聚合的 aggregation 方案,包含三个模块:节点嵌入,结构化邻域和双层聚合,并将其实现到图卷积网络中,命名为 Geom-GCN。在多个开放数据集上的实验结果表明,Proposed Geom-GCN 已经达到了当前状态的最佳性能。
Feb, 2020