指针图网络

Jun, 2020

Pointer Graph Networks

Petar Veličković, Lars Buesing, Matthew C. Overlan, Razvan Pascanu, Oriol Vinyals...

TL;DR本研究介绍了一种称为 Pointer Graph Networks（PGNs）的方法，该方法可将集合或图形增强为具有附加的推断边，从而提高模型的一般化能力。该方法直接受监督以对经典数据结构的长期操作进行建模，并综合了来自理论计算机科学的有用结构归纳偏差

Abstract

graph neural networks (GNNs) are typically applied to static graphs that are assumed to be known upfront. This static input structure is often informed purely by insight of the machine learning practitioner, and might not be optimal for the actual task the GNN is solving. In absence of

graph neural networks latent graph structure pointer graph networks supervised pgns

发现论文，激发创造

图神经网络与概率图模型的交叉：综述

该研究综述了图神经网络和概率图形模型的交叉应用，探讨了 GNN 如何受益于 PGM 学习结构表示，如何实现更有效的推理和结构学习，以及分析了近期研究中使用的基准数据集和未来研究方向。

May, 2022

图神经网络：方法和应用综述

本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

Dec, 2018

有向无环图神经网络

本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

Jan, 2021

隐式图神经网络

本文提出了一种名为 “Implicit Graph Neural Networks（IGNN）” 的图学习框架，其利用 Perron-Frobenius 理论来确保该框架的良好性，并利用隐式微分得到一种可行的投影梯度下降法来训练该框架，实验证明 IGNN 可以稳定捕捉长程依赖并优于现有的 GNN 模型。

Sep, 2020

图学习网络：一种结构学习算法

本文提出了基于图卷积神经网络的 Graph Learning Network 模型，用于解决社区检测、节点分类、链路预测等任务，并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。

May, 2019

自适应通用广义 PageRank 图神经网络

本文提出了一种新的广义 PageRank（GPR）图神经网络（GNN）架构，用于联合优化节点特征和拓扑信息提取，无论节点标签是同质的还是异质的。通过学习 GPR 权重，学到适应节点标签模式的权重，避免了特征信息过度平滑的问题，从而提高了在同质性和异质性数据集上的节点分类性能。

Jun, 2020

图神经网络在不必要的情况下使用图

图神经网络在图数据上学习的支配方法中，普遍存在过拟合图结构的现象，本研究通过对不同图分布进行分析，提出了一种理论解释和图编辑方法，以减轻图神经网络对应该被忽略的图结构的过拟合问题，并在多个基准测试中验证了该方法的有效性。

Sep, 2023

学习图神经网络的离散结构

本文提出了一种联合学习图结构和图卷积网络参数的方法，从而可以在不完整、损坏或无法使用图的场景中应用图卷积网络，并通过实验证明，该方法的性能显著优于相关方法。

Mar, 2019

基于时间图的动态图深度学习

本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

Jun, 2020

自动图神经网络

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