Jun, 2020

基于路径积分的图神经网络卷积与池化

PDF
TL;DR该研究提出了一种基于路径积分的图神经网络 (PAN)，通过引入可学习的路径权重，相当于引入了最大熵随机游走，将图卷积和池化映射到了新的过渡矩阵上，其中的对角线项与子图中心度密切相关，提供了一种自然且适应性强的池化机制。PAN 可用于各种图数据大小和结构不同的情况，并在各种图分类 / 回归任务上取得了最先进的性能。
发现论文，激发创造
  • 基于路径积分的异构图神经网络卷积和汇聚

    该研究论文通过扩展深度学习到图结构数据集，提出一种基于路径积分的图神经网络模型 (PAN 网络)，通过该模型中的卷积操作和节点的中心性得分以及边特征的处理，实现了对复杂异构图的预测任务。

    Feb, 2023

  • 基于路径积分的卷积方法用于深度图神经网络

    本文提出了一种基于路径积分方法的最大熵转移矩阵，称为 PAN 框架，该框架替代了通常用于图结构数据的图拉普拉斯卷积，可以有效提高图神经网络的学习效果和收敛速度，同时在基准测试任务上达到了最先进的性能水平。

    Apr, 2019

  • 具有 EigenPooling 的图卷积网络

    本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m，实验结果表明该框架具有良好的效果。

    Apr, 2019

  • 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

  • 基于 $p$-Laplacian 的图神经网络

    本文提出了一种新的 GNN 模型：$^p$GNN，它实现了细胞特征和拓扑信息的同时分类，特别适用于异质图，其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。

    Nov, 2021

  • 路径神经网络：表现力强且准确的图神经网络

    本文引入 Path Neural Network 模型来提高图表达的表达能力，实验证明该模型比 1-WL 算法更加强大，且在图分类和图回归任务中表现良好。

    Jun, 2023

  • 图神经网络中池化操作的重新思考

    本文研究图形池化（Graph pooling）对图神经网络（GNN）性能的影响，使用随机化或补图聚类的变体挑战了保留局部性表示的必要性，并表明了卷积层在学习表示中的领导作用。与普遍认为的不同，局部池化并非导致 GNN 在相关且广泛使用的基准测试中获得成功的原因。

    Oct, 2020

  • 图上的拓扑池化

    提出使用持久同调和地标的复合拓扑池化层并设计新的局部和全局可学习的拓扑表示方法以从图中提取有区分性的拓扑信息，该方法在 11 个不同的基准数据集上超过 18 个基线模型，显示出对比竞争对手更佳的实验表现。

    Mar, 2023

  • 基于 GNN 的图分类和链路预测综述

    本综述文章研究了图卷积神经网络及其在节点分类等领域的应用，并阐述了构建图卷积算子和图池算子的关键步骤。

    Jul, 2023

  • SPGNN: 通过增强图卷积和池化识别显著子图模式

    提出一种基于串联的图卷积机制和一种新颖的图池模块，用于增强识别非同构子图的区别能力，并且提出一种新颖的子图模式 GNN（SPGNN）架构，实验结果表明该方法在图分类方面具有与最先进的图核心和其他 GNN 方法相媲美的表现。

    Apr, 2024