用于图结构数据的卷积核网络

Mar, 2020

Convolutional Kernel Networks for Graph-Structured Data

Dexiong Chen, Laurent Jacob, Julien Mairal

TL;DR本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简单的模型解释。

Abstract

We introduce a family of multilayer graph kernels and establish new links between graph convolutional neural networks and kernel methods. Our approach generalizes convolutional kernel networks to graph-structured

multilayer graph kernels graph convolutional neural networks kernel feature maps graph classification model interpretation

发现论文，激发创造

核图卷积神经网络

本文旨在利用图形核函数解决图形数据处理问题，通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习，最终在十个基准数据集的七个中达到了优异的表现。

Oct, 2017

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

使用二维卷积神经网络进行图形分类

本文提出了一种新的方式将图形表示为多通道图像结构，并使用普通 2D 卷积神经网络来处理，该方法比现有图形核和图形 CNN 模型更准确且时间复杂度更小，适用于多种真实数据集。

Jul, 2017

图卷积网络的半监督分类

本研究提出了一种可扩展的半监督学习方法，该方法基于一种直接作用于图形的高效卷积神经网络变体，通过局部一阶逼近实现了谱图卷积的选择，其模型在节点数量上线性地扩展并学习编码局部图结构和节点特征的隐藏层表示，在引用网络和知识图数据集上的若干实验中，证明了我们的方法的明显优越性。

Sep, 2016

学习用于图形的卷积神经网络

该研究提出了一种学习卷积神经网络用于任意图形的框架，以提取本地连接区域。使用公认的基准数据集，我们证明了学习特征表示与最先进的图形核心竞争，并且计算效率很高。

May, 2016

基于图神经网络的高斯过程半监督学习核函数

本文介绍了如何将图神经网络中的归纳偏置引入高斯过程中，以优化其在图结构数据上的预测表现，并得出了一些有趣的成员和提出了一种适用于大规模数据后验推断的协方差矩阵的近似方法，通过这些基于图的协方差矩阵，与相应的图神经网络相比，具有相似的分类和回归性能以及计算时间上的优势。

Feb, 2023

具有图卷积神经网络的稳健空间滤波

本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用，证明该方法在文档和分子分类问题方面具有国际领先水平。

Mar, 2017

KerGNNs: 基于图核的可解释图神经网络

本文提出了一种新的 GNN 框架，称为 “核图神经网络”，将图核函数集成到 GNN 的消息传递过程中，通过卷积滤波器使用可训练图作为图过滤器与子图相结合来更新节点嵌入，并显示 MPNN 可以视为 KerGNN 的特殊情况，该方法在多个图相关任务中表现出具有竞争力的性能，并提高了模型可解释性与传统 GNN 模型相比。

Jan, 2022

自适应核图神经网络

该研究提出了一种新型的自适应核图神经网络框架（AKGNN），通过设计一种数据驱动的图内核学习机制来解决预定义核对于不同图之间间的泛化问题，同时通过参数化技巧和全局输出函数增强其表达能力，该方法在公认的基准数据集上展示了优异的性能表现。

Dec, 2021

使用内核对图神经网络进行预训练

本文提出了一种任务无关的预训练方法，使得图神经网络（GNNs）可以学习最先进的图内核函数所引发的表示，并在监督学习阶段对任务进行微调，该技术对采用的 GNNs 体系结构和内核函数是不可知的，并且在预实验结果中表现出了启示性的提高表现

Nov, 2018