Oct, 2019

节点下采样的图神经网络中的层次表示学习

PDF
TL;DR本文提出了 Node Decimation Pooling (NDP)，这是一种用于 GNN 的池算子，能够生成更粗糙的图，同时保持整体图拓扑结构，通过三个步骤：节点削减，Kron reduction，和稀疏化过程生成 coarsened graphs。实验结果表明，与现有的图池化运算符相比，NDP 在图分类任务上表现出相当的性能，但更加高效。
graph neural networkspooling operatorsnode decimation poolingcoarsened graphsgraph classification tasks
发现论文，激发创造
  • 可微池化的分层图形表示学习

    本文提出了 DiffPool 模型，可以生成层次化的图表示，并可与各种图神经网络结构直接相结合。实验结果表明，结合 DiffPool 模型的 GNN 方法在图分类基准测试中的准确性平均提高了 5-10％，相比所有现有的汇聚方法，实现了四个基准数据集的新的最优性。

    Jun, 2018

  • 精心选择和深思熟虑的丢弃：利用被丢弃节点的图显式池化

    提出了一种新的图显式汇聚（GrePool）方法，通过明确利用节点之间的关系和最终表示向量的选择，解决了现有图汇聚方法中的两个关键问题，并进行广泛的实验证明其在分类准确度方面优于 14 个基线方法。

    Nov, 2023

  • 基于张量分解的高阶汇聚图神经网络

    本研究提出了一种新的 Graph Neural Networks 模型 ——Tensorized Graph Neural Network（tGNN），采用张量分解来模型高阶非线性节点交互和计算图形表征，并在节点和图分类任务中得到了超越竞争基线的表现。

    May, 2022

  • 图卷积神经网络中节点汇聚的非负因式分解方法

    该论文讨论了一种在图形结构数据中引入池化机制的方法，并将其作为图形卷积神经网络的组成部分。研究表明，这种粗化过程显著提高了模型的预测性能。

    Sep, 2019

  • 带有结构学习的层次图池化

    本文提出了一种新的 Hierarchical Graph Pooling with Structure Learning (HGP-SL) 图池化算子来生成图结构的分层表示，并将其与图神经网络相结合，专注于图分类任务。通过实验结果表明，这种方法在六个广泛应用的基准测试中均取得了良好的效果。

    Nov, 2019

  • 图解析网络

    本研究提出了一种基于图解析算法的图池化网络（Graph Parsing Network, GPN），通过学习每个个体图的个性化池化结构，提高了在图分类任务中的性能，同时在节点分类任务中保持了竞争力，并能通过相关测试来衡量内存和时间效率。

    Feb, 2024

  • 具有 EigenPooling 的图卷积网络

    本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m，实验结果表明该框架具有良好的效果。

    Apr, 2019

  • Haar 图形池化

    本文提出一种新的基于小波压缩的图池化技术 —HaarPooling，用于 Deep Graph Neural Networks 中的图分类和回归问题，实现了数据的稀疏表征和结构信息的保留，使 GNNs 在各种图分类和回归问题上达到了最先进的性能。

    Sep, 2019

  • 稀疏分层图分类器的研究

    本文探讨了如何在图形分类中利用图卷积网络（graph convolutional networks）进行节点嵌入（node embeddings）、不可区分形式学习（representation learning）和不可区分形式学习（differentiable graph coarsening），并且没有牺牲稀疏性，为未来基于图形的神经网络研究指出了重要方向。

    Nov, 2018

  • 图神经网络中池化操作的重新思考

    本文研究图形池化（Graph pooling）对图神经网络（GNN）性能的影响，使用随机化或补图聚类的变体挑战了保留局部性表示的必要性，并表明了卷积层在学习表示中的领导作用。与普遍认为的不同，局部池化并非导致 GNN 在相关且广泛使用的基准测试中获得成功的原因。

    Oct, 2020