EdgeNets: 边缘变化的图神经网络
该论文提出了一种新的框架,使用基于节点度数的门控机制动态地调整图神经网络的层数,从而增强信息聚合的能力并减少过度平滑,通过实验验证该模型在多个数据集上表现良好。
May, 2022
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
该研究整理并总结了关于应用于计算机视觉的基于图神经网络(GNNs)及其派生物(如 GAT、GCN 和 GRN)的方法的论文,从网络结构、数据集、以及与其他领域的关联等三个方面进行了详细阐述。
Dec, 2022
验证了在图神经网络中引入拓扑扰动的稳定性,针对不同结构的 EdgeNet 框架证明其稳定性,以及参数空间的自由度与代表能力之间的关系和边缘网络参数矩阵与图移动算子的特征向量错配程度对稳定性的影响。
Dec, 2023
本文系统研究了多层异构边缘网络上的分布式图神经网络处理的成本优化,发现图神经网络的独特计算模式含有二次次模性质,在此基础上设计了基于图切割的迭代解法,并通过实验评估证明了其在成本降低、收敛速度等方面均具有优异性能。
Oct, 2022
本文研究了将深度学习方法推广到图论领域,通过对比 RNN 和 ConvNet 的效果,将门控边缘和残差技术用于设计神经网络对图学习任务进行分类,获得了比现有方法更高的准确率和更快的速度。
Nov, 2017
本文提出了面向图形数据的表示学习的新方法,包括 gPooling 和 gUnpooling,并基于这些方法开发了一种编码器 - 解码器模型 —— 图形 U-Nets,实验结果表明该模型在节点分类和图形分类任务中的性能明显优于先前的模型。
May, 2019
本论文提出了一种名为 GTNs 的图转换器网络,能够在图上进行节点表示的学习,同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明,GTNs 有效地生成新的图结构,通过卷积在新图上产生具有强大表现力的节点表示,并在三个基准节点分类任务中取得了最佳表现。
Nov, 2019