Apr, 2020

可扩展的 Inception 图神经网络 (SIGN)

PDF
TL;DR本文提出了一种新的、高效且可扩展的图深度学习架构，通过使用不同尺寸的图卷积滤波器，绕过了图采样的必要性，从而允许极快速的训练和推理，同时在比对测试中展现了与其他最先进架构相竞争的表现，对于包含超过 1.1 亿个节点和 15 亿条边的公共图数据集 ogbn-papers100M 实现了最先进的结果。
graph representation learninggraph deep learninggraph convolutional filtersscalable architecturelarge graph
发现论文，激发创造
  • 通过图缩减扩展图神经网络规模

    本文提出了一种使用图粗化来实现可扩展 GNN 训练的不同方法，详细介绍了图粗化操作的影响和选择方法，并表明图粗化也可看作一种正则化手段。实证结果表明，简单地应用成熟的粗化方法，可以将节点数降低到原来的十分之一而不会导致分类精度的明显下降。

    Jun, 2021

  • 快速局部谱滤波的图卷积神经网络

    该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。

    Jun, 2016

  • 高精准、高效率和可扩展性的图嵌入算法

    本文提出了并行化技术，为图采样 GCN 提供卓越的可扩展性性能，在不妥协准确性的情况下，在非常大的图上实现了优秀的性能。具体地，我们保证了 GCN 的高效训练，并在计算和通信方面节约了数量级的开销，同时，我们的并行图嵌入在可扩展性、效率和准确性方面优于现有的方法。

    Oct, 2018

  • 迈向更深的图神经网络

    本研究对图神经网络进行深入探究，提出了解决深度学习中过度平滑问题的新方法，并通过实验证明了其在引文、合著和共同购买等领域的卓越表现。

    Jul, 2020

  • Sketch-GNN：具有亚线性训练复杂性的可伸缩图神经网络

    提出了一种基于草图的算法，其训练时间和内存随着图的大小而亚线性增长，通过在少量紧凑的图草图上训练 GNN，避免了与图大小线性相关的复杂性增长，并通过局部敏感哈希（LSH）技术提高草图的质量，实验证明了该算法在大规模图上的可扩展性和竞争性能与完整规模的 GNN 相比。

    Jun, 2024

  • 大规模可学习的图卷积网络

    通过使用可学习的图卷积层 (LGCL) 和子图训练方法，本论文解决了卷积神经网络在处理通用图像数据时的困难，提高了基于节点分类任务的准确率和效率。

    Aug, 2018

  • 基于节点自适应传播的加速可扩展的图神经网络推理

    大规模图的实时推断对于图神经网络 (GNNs) 提出了一项重大挑战，但我们提出了一种在线传播框架和两种新的节点自适应传播方法来加速可扩展 GNNs 的推断过程，并通过简单的超参数灵活管理准确性和时延之间的平衡。此外，我们进一步提出了 Inception Distillation 来弥补推断准确性损失，实验结果显示我们的方法在精确性和效率上优于现有的图推断加速方法。

    Oct, 2023

  • 基于图的信号的卷积神经网络架构

    该研究探索了卷积神经网络在图信号处理方面的应用，通过构建选择图神经网络和聚合图神经网络，对信号的卷积和池化进行了重新解释，实现了在图数据上的卷积神经网络。此外，该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。

    May, 2018

  • 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

  • 基于非常深的 GNN 和自监督的大规模图表示学习

    本文探讨了在大规模情况下有效和高效地部署图神经网络的问题，并介绍了我们在 Open Graph Benchmark Large-Scale Challenge 上使用的两个大规模 GNNs 模型的性能。通过这项工作，我们展示了可扩展的自监督图表示学习的证据和非常深层次的 GNNs 的实用性。

    Jul, 2021