KDDJun, 2020

Policy-GNN：图神经网络的聚合优化

PDF
TL;DR本文提出了 Policy-GNN 方法，通过 meta-policy 学习采样策略和消息传递，以解决 GNN 中的聚合优化问题，提高对图数据的建模精度。实验表明 Policy-GNN 显著优于现有的替代方法。
graph neural networkshierarchical patternsaggregation optimizationdeep reinforcement learningpolicy-gnn
发现论文，激发创造
  • 元聚合器：针对 1 位图神经网络的聚合学习

    该论文主要研究了一种新颖的元聚合方案，以二值化图神经网络（GNNs）为目标，并提出了两种元邻域聚合方法来提高 GNNs 的表达能力，实验表明，该方法的表现优于现有技术。

    Sep, 2021

  • 图神经网络作为图信号去噪的统一视角

    本篇论文针对图结构数据的表征学习中的聚合操作进行研究，探究 GCN、GAT、PPNP、APPNP 等 GNN 模型的聚合过程与图像去噪问题之间的通用性，进而提出统一图神经网络框架 UGNN，并基于此开发了 ADA-UGNN 模型，通过实验验证了其在自适应平滑性的图中的有效性。

    Oct, 2020

  • 基于图神经网络的推荐系统聚合优化的双策略学习

    本文中，我们提出了一种新颖的强化学习消息传递框架 DPAO（双策略框架优化聚合），用于推荐系统中的高阶连通性聚合。该框架通过使用双策略学习以及两个 Deep-Q-Network 模型，从 GNN-R 中利用用户和项目感知反馈来提高目标 GNN-R 的性能，在 6 个真实世界数据集上对其进行了评估，结果显示我们的框架显著增强了最近的基础模型，nDCG 和召回率分别提高了多达 63.7％和 42.9％。

    Feb, 2023

  • GNN 聚合编程抽象的架构影响

    对现有的图神经网络聚合编程抽象方法进行综合评估和分析，比较它们的性能和效率，并基于分析结果提供未来图神经网络加速的几个见解。

    Oct, 2023

  • 基于图策略网络的图可迁移主动学习

    通过强化学习训练一种基于图神经网络 (GNN) 的策略网络，来学习如何高效地标注图中的节点，以减少 GNN 训练的标注成本。该研究还证明了所学习的策略网络在同一领域和不同领域的图之间进行迁移学习的有效性。

    Jun, 2020

  • PolicyClusterGCN: 为训练图卷积网络识别有效簇群

    本文提出 PolicyClusterGCN, 该算法基于在线强化学习框架，学习策略网络以确定 GCN 训练的良好聚类，使用 Markov 决策过程公式化策略网络，该算法在节点分类任务上实现了超越现有技术的性能。

    Jun, 2023

  • 图网络的主邻域聚合

    本研究扩展了图神经网络的理论框架来包含连续特征，并提出了基于 Principal Neighbourhood Aggregation 的新型网络结构，探讨了多种聚合函数需求，旨在寻求更强大和稳健的模型。实验表明，该方法在多项任务上都具有优异的性能。

    Apr, 2020

  • 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

  • NDGGNET：基于结点无关门的图神经网络

    该论文提出了一种新的框架，使用基于节点度数的门控机制动态地调整图神经网络的层数，从而增强信息聚合的能力并减少过度平滑，通过实验验证该模型在多个数据集上表现良好。

    May, 2022

  • 使用 GNNs 学习通用策略而不需要监督

    该研究利用图神经网络 (GNNs) 解决传统规划域的泛化策略学习问题。结果表明，这种方法可以获得最优性和广义性之间的平衡，从而实现泛化性能更好的规划。

    May, 2022