k-hop 图神经网络
本研究针对图神经网络中的信息传递模式进行了研究,提出了 K-hop 信息传递的理论表述并与 1-hop 信息传递进行了表述上的区分,同时引入 KP-GNN 框架以提升模型表现,实验结果证实了 KP-GNN 在各项基准数据集上有很好的表现。
May, 2022
本研究以 k-hop 子图聚合为基础,提出了一种新的 GNN 表达能力分析视角和名为 SDF 的基于采样的节点级剩余模块,理论推导和大量实验证明 SDF 模块比以前的方法具有更高的表达能力和更高的效率。
May, 2023
本文研究了图神经网络以及其理论背景并将其与 $1$-WL 算法相对比,提出了 $k$-dimensional GNNs 这一扩展方法,证明了它在处理社交网络和分子图像等高阶结构方面的有效性。
Oct, 2018
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
本研究探讨了基于图神经网络的 K-hop 传递模型的局限性,并提出了子结构编码函数,以提升其表达能力,并注入情境化子结构信息增强表达能力。实证结果表明,该方法在多个数据集上取得了新的最优表现或可比较的性能。
Jun, 2024
本文提出了一种新的 GNN 框架,称为 “核图神经网络”,将图核函数集成到 GNN 的消息传递过程中,通过卷积滤波器使用可训练图作为图过滤器与子图相结合来更新节点嵌入,并显示 MPNN 可以视为 KerGNN 的特殊情况,该方法在多个图相关任务中表现出具有竞争力的性能,并提高了模型可解释性与传统 GNN 模型相比。
Jan, 2022
本篇研究提出了一种新的跳数交互范式 ——Hop Interaction paradigm 来同时解决 Graph Neural Networks 在可扩展性,平滑性方面的限制,并设计了 HopGNN 框架来优化模型效率和性能,最终实验结果表明该模型在广泛的数据集上表现卓越。
Nov, 2022
本文引入 Path Neural Network 模型来提高图表达的表达能力,实验证明该模型比 1-WL 算法更加强大,且在图分类和图回归任务中表现良好。
Jun, 2023
提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架,通过生成 hierarchical structure,并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm,实现了对长程信息的高效访问,从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。
Sep, 2020