四元数图神经网络
本研究提出了一种基于超复数表示的知识图谱嵌入方法,利用四元数来表示实体并将关系建模为四维空间中的旋转方式,实验证明此方法在关系表示学习方面表现出色并达到了当前领域最好的水平。
Apr, 2019
本研究旨在开发利用超复特征变换的图神经网络,通过推断数据自身的乘法规则来实现一种新的模型,其具有正则化效果,能够显著提升 HC 嵌入的表达能力,相比对应的实数 GNN,达到了 more state-of-the-art 的性能,同时内存占用和参数数量都更少。
Mar, 2021
本研究提出了在量子计算机上实现图神经网络(GNNs)的框架,以应对处理大规模图时经典 GNNs 所面临的可扩展性挑战,通过制定与三种经典 GNNs 对应的量子算法:图卷积网络(Graph Convolutional Networks)、图注意力网络(Graph Attention Networks)和消息传递 GNNs(Message-Passing GNNs)。我们对简化的图卷积(SGC)网络的量子实现进行了复杂性分析,结果显示与经典方法相比,我们的量子 SGC 在时间和空间复杂度上具有潜在的优势,能够高效处理大规模图,这为在量子计算机上实现更先进的图神经网络模型铺平了道路,为用于分析图结构数据的量子机器学习开拓了新的可能性。
May, 2024
QuaterGCN 是一个具有四元数值权重的谱图卷积网络 (GCN),其核心是四元数拉普拉斯算子,通过该提案广义化了两个广泛使用的拉普拉斯算子:经典拉普拉斯算子(针对无向图)和复数值标志磁性拉普拉斯算子(用于处理带有任意符号权重的有向图)。实验结果表明,QuaterGCN 的性能优于其他最先进的 GCN,特别是在包含有关重要信息的有向图情景中。
Dec, 2023
本文首次尝试在双曲空间中使用带有注意机制的图神经网络,采用 gyrovector 空间将图中特征进行转换,并提出了基于双曲近似的注意机制来聚合特征。通过实验,与其他最先进的基准方法进行比较,证明了我们提出的超曲线图注意力网络模型的性能。
Dec, 2019
使用对称正定矩阵(SPD)的 Riemannian 对称空间构建图神经网络以处理复杂图,并证明在结点和图分类任务上,其性能明显优于欧几里得空间和双曲空间及两者的笛卡尔积的图神经网络。
Jun, 2023
本文介绍了如何使用四元数构建深度网络,通过在 CIFAR-10 和 CIFAR-100 数据集上进行端到端训练以及在 KITTI Road Segmentation 数据集上进行端到端训练,我们证明了四元数网络比实数网络和复数网络具有更好的收敛性能,在分割任务中表现尤为突出。
Dec, 2017