Jun, 2020

通过子图同构计数提高图神经网络的表达能力

PDF
TL;DR本论文提出了一种基于子结构编码的、具有拓扑感知的信息传递方案 —— Graph Substructure Networks，并通过理论分析和实验评估证明其优于 Weisfeiler-Leman 测试，并在分子图和社交网络等多个领域取得了最先进的结果。
graph neural networksweisfeiler-leman testgraph substructure networkstopologically-aware message passing schemegraph classification
发现论文，激发创造
  • 图神经网络能计算子结构吗？

    本文研究了一种基于图神经网络的图形子结构计数方法，探讨了各种常见图神经网络的表达能力和局限性，提出了一种新的本地化关系池化模型并在分子预测任务上取得了有竞争力的性能。

    Feb, 2020

  • 使用图神经网络学习同构计数

    本研究提出了一种名为 Count-GNN 的新型图神经网络模型，采用边为中心的消息传递方案和在图级别上进行的表示修正来解决子图同构计数问题，并在多个基准数据集上进行了广泛的实验证明其优越性能。

    Feb, 2023

  • 联合子图神经网络

    本文提出了一种名为 Union Subgraph Neural Network 的图神经网络模型，通过注入从新类型的子结构中提取的邻居连接信息以有效地编码高阶连接性，该模型被证明在区分非同构图方面比 1-WL 更强大，并且在 17 个基准测试中表现出优异的性能，尤其是在现有模型的局部编码的基础上注入我们的局部编码，可以最多提高 11.09% 的性能。

    May, 2023

  • 通过注入上下文化的子结构信息来提升 K - 跳消息传递 GNNs 的表现力

    本研究探讨了基于图神经网络的 K-hop 传递模型的局限性，并提出了子结构编码函数，以提升其表达能力，并注入情境化子结构信息增强表达能力。实证结果表明，该方法在多个数据集上取得了新的最优表现或可比较的性能。

    Jun, 2024

  • 有序子图聚合网络

    本文提供了一种统一的方法来研究增强次图 GNN 的架构，包括理论框架和对子图增强 GNN 可表达性的已知结果进行扩展，同时研究了三种用于学习采样子图的方法，通过实验证明了数据驱动架构可以提高标准基准数据集的预测精度，同时减少计算时间。

    Jun, 2022

  • 使用双重信息传递的图卷积网络进行子图同构计数和匹配

    本文提出一种基于边 - 顶点转换和对偶图同构性质的双重消息传递神经网络 (DMPNNs) 模型，用于在异步方式下加强子结构表示学习，适用于子图同构计数和匹配以及无监督节点分类任务。大量实验在合成和真实异构图中展示了 DMPNNs 结合节点和边表示学习的鲁棒性能，代码可在给出的网址中获取。

    Dec, 2021

  • 通过匿名行走图核函数理论上提升图神经网络性能

    本文提出基于匿名行走和图核映射的 GSKN 图神经网络模型，理论证明其在区分图结构方面有更强的能力，并在实验证明了其胜过多个基线模型。

    Apr, 2021

  • 等变子图聚合网络

    提出了一种名为 Equivariant Subgraph Aggregation Networks（ESAN）的新框架，它可以代表每个图形并将其处理为一个经过适当等变架构处理的子图集合，从而提高了图形信号处理的表现力。

    Oct, 2021

  • 关于几何图神经网络表达能力的研究

    本研究提出了符合物理对称性的几何图卷积神经网络测试 GWL，并使用 GWL 研究了符合物理对称性的几何图卷积神经网络的表达能力，发现等变层扩展了局部邻域之外的几何信息，高阶张量和标量化使几何图卷积神经网络具有最大的表达能力。

    Jan, 2023

  • 通过图分割提升图神经网络的表达能力

    图分区神经网络（GPNNs）是一种新颖的 GNN 架构，通过对图进行分区以及顶点集和子图之间的结构相互作用的探索，提高了 GNN 的表达能力，并在各种图基准任务中展示了超越现有 GNN 模型的卓越性能。

    Dec, 2023