CVPRDec, 2019

Conv-MPN：用于结构化户外建筑重构的卷积消息传递神经网络

PDF
TL;DR本文提出了一种新颖的消息传递神经网络（MPN）架构 Conv-MPN，从一张单一的 RGB 图像中重构室外建筑物为平面图，并与现有的全神经网络方案相比取得了显着的改进，该架构为图形神经网络研究开辟了新的领域。
message passing neural architectureconv-mpnplanar graph reconstructionspatial embeddinggraph neural network
发现论文，激发创造
  • 几何图卷积神经网络：Geom-GCN

    本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

    Feb, 2020

  • 让我们达成一致：比较基于消息传递框架下的图卷积网络

    本文将图上定义的神经网络呈现为信息传递神经网络（MPNN），通过研究不同类别的这些模型的区别能力，探讨它们的识别能力，研究传统的图神经网络和卷积图神经网络对顶点进行特征标注的能力的界限，并使用 Weisfeiler-Lehman 算法对 MPNNs 的区分能力进行了上下界的研究。

    Apr, 2020

  • TrackMPNN: 一种用于多目标跟踪的消息传递图神经网络架构

    该研究致力于使用动态无向图和图形神经网络来解决多目标跟踪问题，同时提供了有效的解决方案和建议，证明了使用任何现成的检测器提供的原始边界框就足以在具有挑战性的多目标跟踪数据集上实现有竞争力的跟踪结果。

    Jan, 2021

  • 纯信息传递可用于链路预测中的公共邻居估计

    通过利用输入向量的正交性，纯消息传递可以捕捉联合结构特征，我们引入了一种基于消息传递的链接预测模型（MPLP），它利用准正交向量来估计链接级结构特征，同时保留节点级复杂性。我们的方法在各个领域的基准数据集上对于基准方法有一致的优化效果。

    Sep, 2023

  • 突破消息传递图神经网络的限制

    本文研究了基于图传递的神经网络（MPNNs），通过在频域设计非线性的自定义滤波器函数并使用任意大的感受野进行掩膜，其理论上比 1-WL 测试显得更加强大，且实际上具有与现有 3-WL 模型同样的性能，同时仍保持局部化。通过本方法可以实现 LOD 更新机制和输出谱复杂性，从而在许多下游任务中达到先进水平。

    Jun, 2021

  • 卷积神经网络在图结构数据上的推广

    本研究介绍了一种卷积神经网络的泛化方法，使其适用于图形结构数据，使用随机游走揭示输入数据内部关系，通过学习底层图将其应用于许多标准分类或回归问题。

    Apr, 2017

  • 学习几何不变特征用于向量多边形分类的图消息传递神经网络

    通过实验验证了通过图形表示法对多边形进行几何特征分类的相关方法的有效性和可靠性，并表明在多个基准数据集上实现了高鲁棒性性能。

    Jul, 2024

  • 大规模随机图上消息传递神经网络的泛化分析

    研究了 MPNN 在图分类和回归中的泛化误差，表明 MPNN 的复杂度越高，泛化差距越大；同时，不仅训练样本数，而且图中平均节点数对泛化差距也有影响。从统一收敛结果导出泛化界限，表明在图上应用 MPNN 可以逼近离散化的几何模型上的 MPNN。

    Feb, 2022

  • 等变矩阵函数神经网络

    矩阵函数神经网络是一种新颖的架构，通过分析的矩阵等变函数参数化非局部交互。在标准图形基准测试中，MFN 架构实现了最先进的性能，并能够捕捉量子系统中复杂的非局部交互，为新的最先进力场铺平了道路。

    Oct, 2023

  • 使用双重信息传递的图卷积网络进行子图同构计数和匹配

    本文提出一种基于边 - 顶点转换和对偶图同构性质的双重消息传递神经网络 (DMPNNs) 模型，用于在异步方式下加强子结构表示学习，适用于子图同构计数和匹配以及无监督节点分类任务。大量实验在合成和真实异构图中展示了 DMPNNs 结合节点和边表示学习的鲁棒性能，代码可在给出的网址中获取。

    Dec, 2021