本文总结了谱图神经网络的最新发展,包括模型、理论和应用等方面的内容,其中介绍了谱性 GNN 能够捕捉全局信息,并具有更好的可表达性和可解释性。通过对现有谱性 GNN 的分析,本文梳理了主要理论结果和应用,最后进行了定量实验来评估几种常见的谱性 GNN 模型,为未来的研究提出了一些方向。
Feb, 2023
本文探究了实际图形的频谱密度,并借用凝聚态物理学的工具及其适应性处理常见的图形模式的频谱签名。通过计算具有十亿边缘的图形的频谱密度来展示其高效性。同时,证明频谱密度的估计促进了许多常见的中心度量的计算,并使用频谱密度估计了有关图形结构的有意义信息,这些信息不能仅通过极值特征对推断得出。
May, 2019
本文介绍了对图进行簇聚算法及其使用 Koopman 算子和 Perron-Frobenius 算子的谱性质,以及如何使用它们的广义传递算子来提出新的有向图聚类算法。
May, 2023
本文研究了基于图信号滤波器的谱图神经网络的表达能力,证明了无需非线性函数就可产生任意图信号,并建立了表达能力与图同构测试之间的联系。提出了一种名为 JacobiConv 的新型谱图神经网络,该网络能在不使用非线性函数的情况下超越所有对比算法。
May, 2022
基于 Laplacian 算子,谱图卷积神经网络是一种用于图数据的卷积网络,并已被证明可以稳定地在不同大小和连接性的图之间传输谱滤波器,在图回归、图分类和节点分类等任务中表现出良好的性能。
Dec, 2020
利用图论中的图形谱性质来研究 SIS 流行病在大型网络上的稳定性和噪声灵敏度,并证明了其与图的邻接特征值和 Lipschitz 图形的相关性。
Dec, 2019
通过先进的算法,研究人员开发了新方法,以确定与实际网络模型对应的邻接矩阵的特征值,并发现了有趣的结果,指出相关图的频谱代表了分类图的实用工具,并可提供有关实际网络的相关结构特性的有用见解。
Feb, 2001
在图学习领域中,传统智慧认为谱卷积网络只能在无向图上部署:只有在这种情况下,才能保证存在一个明确定义的图傅里叶变换,以便在空间域和频谱域之间进行信息翻译。然而,我们通过使用复分析和谱理论中的某些高级工具,证明了这种对图傅里叶变换的依赖是多余的,并将谱卷积扩展到了有向图上。我们提供了对新开发的滤波器的频率响应解释,研究了用于表示滤波器的基函数的影响,并讨论了网络所基于的特征算子之间的相互作用。为了彻底测试所开发的理论,我们在真实的环境中进行了实验,展示了有向谱卷积网络在许多数据集上对异质节点分类提供了最新的最优结果,并且与基准线相比,可以在不同拓扑扰动的分辨率尺度下保持稳定。
Oct, 2023
本文研究了一种有效的图结构攻击方法,通过最大化谱距离来扰乱傅里叶域中的图谱滤波器,进而干扰图卷积网络(GCNs)的学习。实验证明了该攻击在黑盒和白盒设置中对于测试时间洪水和训练时间毒化攻击具有显著的效果。
Nov, 2021
本文提出了一种改进的基于谱的图卷积网络,通过利用重新定义的拉普拉斯矩阵改进传播模型,可以直接处理定向图,并在半监督节点分类任务中表现出比当前最先进的方法更好的效果。
Jul, 2019