基于图循环注意力网络的高效图生成

Oct, 2019

基于图循环注意力网络的高效图生成

Efficient Graph Generation with Graph Recurrent Attention Networks

Renjie Liao, Yujia Li, Yang Song, Shenlong Wang, Charlie Nash...

TL;DR本文提出了一种名为 GRAN 的新型图形回归注意力网络的有效且表达性强的深度生成模型，能够生成高质量大规模图形，同时与之前的 RNN-based 生成模型相比，GRAN 使用了 GNN 和注意力机制更好地捕捉到已生成和待生成部分的条件之间的自回归关系，并在输出分布上采用伯努利分布的混合来捕捉区块内的生成边之间的相关性，同时在处理节点顺序方面也提出了一些新的解决方法。

Abstract

We propose a new family of efficient and expressive deep generative models of graphs, called graph recurrent attention networks (GRANs). Our model generates graphs one block of nodes and associated edges at a tim

graph recurrent attention networks deep generative models graph neural networks mixture of bernoulli canonical orderings

发现论文，激发创造

使用深度自回归模型生成逼真的图形

GraphRNN 是一种基于自回归模型的图生成模型，可以在没有先验结构假设的情况下模拟任何图分布，并且可以比现有的深度模型扩展到 50 倍以上规模的生成，而引入的基准测试集和最大平均差异评估方法可以有效评估模型表现。

Feb, 2018

GRAN 比 GraphRNN 表现更优：基于节点顺序，核和图嵌入的度量用于图生成器

研究比较了基于核方法和流形方法的度量方法，发现流形方法在图嵌入空间中优于核方法；在此基础上运用这些度量方法比较了两个常见的图生成模型 GraphRNN 和 GRAN，揭示了节点排序的影响，发现 GRAN 比 GraphRNN 更优，作者的新算法对小型图效果更好。研究还提供了关于数据集选择和节点特征初始化的良好实践指南，并且有开放源代码与可再生实验。

Jul, 2023

基于图注意力机制的可扩展图生成模型

本文介绍了一种可扩展的图生成模型 GRAM，其采用一种新颖的图注意机制和评估方法，在节点 / 边标签图生成任务中表现出较高的性能。

Jun, 2019

GaAN: 基于门控注意力的大规模时空图学习网络

该文提出了一种新的网络架构 —— 门控注意力网络（GaAN），用于学习图形。该架构使用卷积子网络来控制每个注意力头的重要性，证明了其在归纳节点分类问题和交通速度预测问题上的有效性，并在三个真实世界数据集上取得了最先进的结果。

Mar, 2018

门控图循环神经网络

本文介绍了图递归神经网络 (GRNNs) 作为一种利用递归隐藏状态与图信号处理 (GSP) 相结合的学习框架，以学习来自于图处理中的时空结构。结果表明，GRNNs 在长期依赖问题上的表现优于 GNNs 和 RNNs。

Feb, 2020

GRANP: 适用于车辆轨迹预测的图形递归注意力神经过程模型

GRANP 是一种新颖的模型，用于车辆轨迹预测并高效地量化预测不确定性。它采用了利用深度生成模型来解决轨迹不确定性的方法，并在解决了效率问题的同时取得了最先进的结果。

Apr, 2024

图随机神经网络用于图半监督学习

提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架，通过设计随机传播策略来进行图数据增强，并利用一致性正则化优化不同数据增强下未标记节点的预测一致性，实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上，并且缓解了过度平滑和非鲁棒性问题，展现了比现有 GNN 更好的泛化行为。

May, 2020

GRAND+: 可扩展的图形随机神经网络

该论文提出了一种可扩展和高性能的图嵌入算法 GRAND+，并包含了推广前推（GFPush）算法和置信一致性损失来提高其准确性和泛化能力。实验结果表明，GRAND + 可以扩展到大型图并比现有的可扩展 GNNs 具有更少的运行时间和更高的准确性。

Mar, 2022

门控图卷积循环神经网络

本文提出了一种专门针对地震震中和天气预测等问题的图形卷积递归神经网络 (GCRNN) 架构，使用卷积滤波器组保持可训练参数的数量与图形尺寸和时间序列无关，并提出了 Gated GCRNNs，一种类似于 LSTM 的时间门控变体。在使用合成和实际数据进行的实验中，与 GNN 和另一种图形递归架构相比，GCRNN 显着提高了性能，同时使用的参数数量要少得多。

Mar, 2019

少样本学习的注意力图神经网络

本研究提出了一种新型的注意力图神经网络 (Attentive GNN)，该网络通过三重注意力机制（节点自注意力、邻域注意力、层记忆注意力）处理 GNN 深度学习中存在的过拟合和过度平滑问题，从而最终提升了其在小样本学习任务上的性能表现。实验证明，相比于其他现有的 GNN 和 CNN 方法，在深度神经网络骨架 (ConvNet-4 和 ResNet) 和归纳、传导方式下，在 mini-ImageNet 和 tiered-ImageNet 数据集上，该新型图神经网络取得了令人满意的结果。

Jul, 2020