Jun, 2019

有符号图注意力网络

PDF
TL;DR本文中，我们提出了基于图注意力网络（GAT）的正负权网络的通用求解器 - Signed Graph Attention Network（SiGAT）。SiGAT 结合了图图形理论，将常规 GAT 表示和处理有正权重和无权重的网络扩展到对于有正权重和负权重都包含的网络。实验结果表明，SiGAT 在三个真实数据集上的表现优于基于特征和网络嵌入方法，以及现有的基于 GNN 的方法，如带符号图卷积网络（SGCN）。
graph neural networkgatsigatsigned networkslink prediction
发现论文，激发创造
  • 稀疏图注意力网络

    该论文提出了一种基于 L0 正则化的 Sparse Graph Attention Networks，可以对大规模、复杂的图进行特征聚合，鲁棒性与有效性更高，达到与原始图相同或更高的预测性能；同时，其使用结果可视化和量化表达，让人更加容易理解。

    Dec, 2019

  • 图注意力网络

    本文提出新颖的神经网络结构图注意力网络（GATs），利用掩码的自我关注层处理图结构化数据的缺点，有效提出解决谱学派图神经网络中的几个关键挑战的方法，并在四个数据集上取得了最先进的结果。

    Oct, 2017

  • 有符号图卷积网络

    本文提出了一种基于平衡理论的有向图卷积神经网络模型，用于在带有正负连接的有向图中进行节点表示学习，并证明其在 link sign prediction 等问题上的有效性。

    Aug, 2018

  • SignGT: 基于有符号关注机制的图转换器用于图表示学习

    提出了一种基于签名注意力的图变换器（SignGT），用于自适应地从图中捕获各种频率信息，并通过引入邻域偏置以保留局部拓扑信息学习信息节点表示。

    Oct, 2023

  • 异质图中的方向性邻居注意力表示学习

    提出了一种名为 Directional Graph Attention Network (DGAT) 的新型图神经网络结构，利用特征注意力和全局方向信息提高图信息的传播能力，并通过拓扑信息引导的节点剪枝和边添加机制以及新的拉普拉斯矩阵来改善 GAT 存在的局限性，实验证明在真实数据集和合成数据集上，DGAT 在性能上优于传统的 GAT 模型，并在 7 个真实数据集中的 6 个数据集上超越了现有的最先进模型。

    Mar, 2024

  • SDGNN：学习有向带符号网络节点表示

    本文提出了一种名为 SDGNN 的有向图神经网络模型，根据社会理论在有向网络中学习节点嵌入表示，并同时重建了链接的符号、方向和符号三角形。实验证明，该模型优于现有的基于特征和基于网络嵌入、基于 GNN 方法的模型。

    Jan, 2021

  • SGA：一种用于带符号图神经网络的图增强方法

    本研究通过使用数据增强技术解决了当前基于 SGNN 的有向图表示学习所面临的稀疏性、不平衡三角形和缺乏附加信息的挑战，并引入了一种新颖的有向图增强框架（SGA），通过 SGNN 模型编码有向图、提取潜在结构信息并评估候选样本，最终改善了多个性能指标。

    Oct, 2023

  • GAT 是否失衡？

    基于图神经网络 (Graph Neural Networks) 的优化和学习动态尚未被广泛探索，本研究通过分析图注意力网络 (Graph Attention Network) 提出的保守定律解释了标准初始化中参数变动困难的现象，并提出了一种初始化方案来平衡图注意力网络，使得深层网络更易于训练并加速收敛速度。

    Oct, 2023

  • 使用同构性在图神经网络中进行监督关注

    本文提出了一种改进图注意力网络中节点分类的方法，使其更能准确地区分不同类别的节点，在多个节点分类数据集上得到了较高的表现。

    Jul, 2023

  • 图注意力网络的注意力有多聚焦？

    该研究介绍了 Graph Attention Networks (GATs) 架构，它们被认为是最先进的图形表示学习架构之一，但存在限制性静态注意力机制，限制了它们在表达简单图形问题方面的能力；因此，提出了一种动态图形注意力变量 GATv2，相对于 GAT 更具表现力。

    May, 2021