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
本文提出了 DiffPool 模型,可以生成层次化的图表示,并可与各种图神经网络结构直接相结合。实验结果表明,结合 DiffPool 模型的 GNN 方法在图分类基准测试中的准确性平均提高了 5-10%,相比所有现有的汇聚方法,实现了四个基准数据集的新的最优性。
Jun, 2018
图神经网络 (GNN) 可以通过从特征和连接信息的二元性中学习来训练以检测图中的社区。本研究展示了通过仅仅优化模块度,而不与基准进行比较,可以使用 GNN 将节点聚类到社区中。尽管模块度是一个图划分质量度量,我们证明了这一方法可以优化同时编码特征的 GNN,并且性能没有下降。我们进一步研究了无监督度量性能是否能预测基准性能的问题。通过设计一些合成实验,展示了该方法的局限性。这些合成图被设计来突显属性图中具有不同、随机和零信息空间分区的当前能力。总之,我们得出结论,模块度可以用于真实数据集上的超参数优化和模型选择,同时也是预测基准性能的一个合适代理,但是当空间包含冲突信号时,GNN 无法平衡信息的二元性。
Feb, 2024
本文提出了一种基于连续松弛的归一化最小割问题的图聚类方法,通过 GNN 实现聚类分配。并且设计了一种图池化操作,克服了现有技术的一些重要限制,并在多个监督和非监督任务中取得了最佳表现。
Jun, 2019
本文介绍了使用神经架构搜索技术搜索适当的池化方法用于图分类问题,并提出了一个可以涵盖现有人工设计的池化方法的框架,并在此框架上设计了一个新的搜索空间,在六个真实世界的数据集上做出了有效和高效的实验。
Aug, 2021
本研究提出了一种新的深层分层图卷积网络 (H-GCN),通过聚合结构相似的节点形成超节点,然后再将粗化的图细化到原始图以恢复每个节点的表达,从而扩大每个节点的感受野,能够获取更多的全局信息,并在各种公共基准测试图数据集上表现出强大的实证性能。
Feb, 2019
通过使用图神经网络优化模块性目标的 DGCluster 方法,我们在多个领域中进行图聚类,取得了显著的性能提升。
Dec, 2023
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
该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用,提出了四种图神经网络的分类,并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估,并提出了该领域的潜在研究方向。
Jan, 2019
该研究提出了一种基于图神经网络的图像分割方法,相较于现有方法可以隐式地完成部件语义分割,用于目标定位、分割和语义部件分割任务并在多个基准测试中取得了最先进的表现。
Dec, 2022