位置感知图神经网络

ICMLJun, 2019

Position-aware Graph Neural Networks

Jiaxuan You, Rex Ying, Jure Leskovec

TL;DR本文提出 P-GNN 方法，通过采样锚节点集并计算给定目标节点相对于所有锚节点的距离，从而学习距离加权聚合方案以产生具有位置感知能力的节点嵌入。实验结果表明该方法能有效地提升节点在图结构中的位置特征提取能力，达到了较好的实验效果。

Abstract

Learning node embeddings that capture a node's position within the broader graph structure is crucial for many prediction tasks on graphs. However, existing graph neural network (GNN) architectures have limited p

node embeddings graph neural network position-aware anchor nodes link prediction

发现论文，激发创造

更强大的图神经网络：等变稳定位置编码

本文讨论了使用位置编码技术来改进图神经网络在节点集合任务中预测的问题，并提出了一种被称为 PEG 的类 GNN 层，它使用单独的通道更新原始节点特征和位置特征。PEG 同时对原始节点特征施加排列等变性质，并对位置特征施加 O（p）等变性质，其中 p 是使用的位置特征的维度。在 8 个真实世界网络上的广泛链接预测实验表明，PEG 在泛化和可伸缩性方面具有优势。

Mar, 2022

具有可学习的结构和位置表示的图神经网络

本文提出了一种新的 GNN 网络架构 LSPE，通过引入可学习的位置编码对节点的结构表达和位置表达进行解耦，应用在分子数据集上的实验结果表明 LSPE 能显著提高模型性能。

Oct, 2021

探索图神经网络中的标签位置偏差

本文提出了一种新的评估指标 Label Proximity Score 来量化节点标签位置偏置，研究发现标签越靠近节点性能越好，为此，我们提出了一种全新的优化框架，用于学习无偏置的图结构，该方法不仅优于现有方法，而且在减轻 GNN 中标签位置偏差方面表现显著。

May, 2023

图神经网络能在随机图上计算哪些函数？位置编码的作用

本文旨在加深对大型图上图神经网络（GNNs）的理论理解，特别是着重于它们的表达能力。通过对等变 GNNs 生成的函数空间进行更完整和直观的描述，我们强调了输入节点特征的作用，并研究了节点位置编码（PEs）的影响，这是最近一项在实践中表现出卓越成果的研究。通过对大型随机图的 PEs 的研究，我们将先前已知的普适性结果扩展到了更为普遍的模型，同时提出了一些规范化技巧，这在合成和实际数据上得到了正面的验证。

May, 2023

广义拉普拉斯位置编码用于图表示学习

本文通过泛化定义拉普拉斯嵌入的优化问题，提出了一族新的图形式的位置编码，并讨论了一种计算这些位置编码的方法，证实了这种新的位置编码可以提高 MPNN 的表述能力，同时给出了初步的实验结果。

Oct, 2022

CAGNN: 面向无监督图表征学习的聚类感知图神经网络

介绍一种新的无监督图嵌入学习方法，使用自监督技术，通过将节点嵌入进行聚类并预测节点分配情况更新模型参数，加强类内联系和减少类间联系从而更好地保留了嵌入空间中的类簇结构，并在两个基准任务中使用真实世界数据集展开比较实验，证明了该模型在准确性方面比现有基线方法优越，特别地，在节点聚类方面的准确率提升了超过 7%

Sep, 2020

图网络的主邻域聚合

本研究扩展了图神经网络的理论框架来包含连续特征，并提出了基于 Principal Neighbourhood Aggregation 的新型网络结构，探讨了多种聚合函数需求，旨在寻求更强大和稳健的模型。实验表明，该方法在多项任务上都具有优异的性能。

Apr, 2020

内容增强图神经网络

本文中，我们提出了在高级 GNN 层次中通过内容生成的嵌入来增强节点嵌入，实验证明我们的模型具有高准确性和性能。

Nov, 2023

指针图网络

本研究介绍了一种称为 Pointer Graph Networks（PGNs）的方法，该方法可将集合或图形增强为具有附加的推断边，从而提高模型的一般化能力。该方法直接受监督以对经典数据结构的长期操作进行建模，并综合了来自理论计算机科学的有用结构归纳偏差

Jun, 2020

图神经网络的能力有多强？

本文提出了一种理论框架来分析图神经网络的表达能力和限制，并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构，实验验证了理论的发现，并取得了最先进的性能。

Oct, 2018