Feb, 2020

随机特征增强图神经网络

PDF
TL;DR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。
graph neural networksexpressive powerrandom featurespolynomial-time approximation algorithmsoff-the-shelf gnn models
发现论文，激发创造
  • 用随机节点初始化提升图神经网络的惊人能力

    本文分析了具有随机节点初始化的 GNNs 的表达力，证明了这些模型是通用的，这是 GNNs 的首个不依赖于计算要求更高阶特性的结果。我们基于精心构建的数据集，对 RNI 对 GNNs 的影响进行了经验分析。我们的实证结果支持 RNI 对于 GNNs 的优异表现。

    Oct, 2020

  • 图神经网络中节点特征

    本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

    Nov, 2019

  • GNN-Ensemble: 面向随机决策图神经网络的研究

    本文提出了一种基于随机建模的新方法，称为 GNN-Ensemble，用于构建多个随机决策图神经网络的集成，从而提高图神经网络的性能，泛化能力和对抗性鲁棒性。该方法在不同的子结构和子特征空间中构建 GNN，在决策时进行组合，从而提高了它们的分类性能，并有效降低了对训练数据的过拟合。同时，我们证明 GNN-Ensemble 可以显著提高对抗性攻击的鲁棒性。

    Mar, 2023

  • 关于图神经网络和特征增强策略在社交网络分类中的能力

    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

  • 图神经网络从结构信息中可得证明的益处：视作特征学习角度

    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

  • 组合问题的图神经网络的近似比

    该论文从理论角度研究了如何利用图神经网络解决组合问题的近似算法，并提出了一种新的 GNN 类别，揭示了 GNN 的相对近似比，并证明了在节点特征中添加染色可以提高学习算法的近似比。

    May, 2019

  • 灵活表示多模块图神经网络以实现更好的泛化

    本文研究了图神经网络的可扩展性和推广性，并提出了灵活的 GNNs 框架，通过多种节点更新函数和内部循环优化，使网络能够灵活适应新图并在多项推理任务中提高泛化能力。

    Sep, 2022

  • 图神经网络的能力有多强？

    本文提出了一种理论框架来分析图神经网络的表达能力和限制，并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构，实验验证了理论的发现，并取得了最先进的性能。

    Oct, 2018

  • 通过改善具有局部混合模式的图的同配性来突破图神经网络的限制

    在图神经网络中，提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式，进而设计了一种改进的计算图结构，并在此基础上提出一种自适应选择结构与接近度信息的模型，以取得更好的性能，其中针对半监督节点分类任务进行的实验也取得了良好的结果。

    Jun, 2021

  • 图神经网络应该使用特征、边或两者皆有？

    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