本文研究了图形分类问题中图神经网络是否必要,发现对于图分类来说,GNN 不仅仅是其部分之和。同时,我们还发现,与特征不同,仅使用边进行预测的模型并不总是能够转换为 GNN。
Mar, 2021
本文研究了图神经网络的表达能力,发现其存在局限性。作者提出为每个节点添加随机特征,这样 GNN 就能够学习一些最优多项式时间近似算法,同时该方法方便与其他 GNN 模型结合使用。经实验证明,加入随机特征的 GNN 能够解决一些无法被传统的 GNN 模型解决的问题。
Feb, 2020
本文介绍了两种构建人工节点特征的类型,包括位置和结构节点特征,并提供了对于每一种任务,即位置节点分类、结构节点分类和图分类,为什么每种节点特征更加适合的见解。此外,通过在 10 个基准数据集上进行广泛实验,验证了我们的洞察力,从而为非属性图上的 GNN 不同人工节点特征之间的选择提供了实用指南。
Jul, 2021
本研究提出了一种特征选择 Graph Neural Network(FSGNN)模型,通过解耦节点特征聚合步骤和深度,使用 softmax 作为聚合的特征的正则化器和 L2 规范化技术,实现了对不同聚合的特征的作用进行实证分析,最终在 9 个基准数据集上创建了一种简单而浅的模型,取得了比现有 GNN 模型更好的性能。
Nov, 2021
该论文提出了一种名为 G-GNNs 的新型模型,通过无监督预训练获取节点的全局结构和属性特征,然后利用这些特征和原始网络属性,提出了一种 GNN 的并行框架以从这些特征中学习不同的方面。该模型的学习方法可应用于平面图和属性图,并通过 extensive experiments 在三个标准评估图上表现优异,特别地,在属性图学习方面,G-GNNs 在 Cora (84.31%) 和 Pubmed (80.95%) 上建立了新的基准记录。
Oct, 2019
本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用,提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征,发现图卷积显着增强了对手 CNN 的良性过拟合的范围,并且在梯度下降训练后, GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异,这一结论在我们的实证模拟中得到了进一步证实。
Jun, 2023
本研究对四种图神经网络架构及五种节点人工特征进行分析,应用于分类任务,并比较它们在不同隐藏层维度下的性能。结果表明,高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。
Jan, 2024
本研究提出自动设计深层 GNN 的方法,其中添加了新型的跳跃连接以促进特征重用和缓解梯度消失问题,并允许进化算法在演化过程中增加 GNN 层数来生成更深的网络,在 Cora、Citeseer、Pubmed 和 PPI 数据集上实验表明,GNNs 的生成结果具有最先进的性能。
Nov, 2020
该研究提出了 GNNExplainer 方法,能够为任何基于 GNN 的模型和任何基于图的机器学习任务提供可解释性的预测解释,该方法能够识别关键的子图结构和节点特征,并能够生成一致而简洁的解释。
Mar, 2019
本文提出了一种基于图神经网络的特征选择方法,通过解耦节点特征聚合和网络深度,采用 softmax 和 Hop-Normalization 技术,使得模型在节点分类任务中取得了 64% 以上的精度,其学习到的精选参数可以用于研究预测任务中特征的重要性,同时在大型图中拥有可扩展性。
May, 2021