Aug, 2020

基于节点转移概率的消息传递和 DropNode 正则化的图卷积神经网络

PDF
TL;DR本文提出了一种改进的基于节点转移概率的消息传递过程和一种新的正则化方法 DropNode，以解决小型图形上的过拟合和过度平滑等问题，实验发现这种方法在节点和图分类任务中要优于现有的方法。
graph convolutional neural networksneural message passingnode transition probabilitiesdropnodeoverfitting
发现论文，激发创造
  • 可变形图卷积网络

    本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

    Dec, 2021

  • 使用节点复制的贝叶斯图卷积神经网络

    本文介绍了一种基于复制节点的图形生成模型，将其纳入贝叶斯 GCNN 框架内，并利用节点特征和训练标签来推断图形拓扑结构，实验证明该算法在基准节点分类任务中表现优异。

    Nov, 2019

  • 自适应传播图卷积网络

    本文提出了一种自适应传播的图卷积网络（AP-GCN），通过节点自适应的通信步数和交换协议来平衡通信和精确度的关系，实现了优秀的图数据推断表现。

    Feb, 2020

  • 几何图卷积神经网络：Geom-GCN

    本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

    Feb, 2020

  • 图神经网络并非总是过度平滑

    本研究探讨了图神经网络中的过度平滑问题，并通过使用高斯过程在无限多隐藏特征的极限中对图卷积网络中的过度平滑进行了研究。我们通过一种新的非过度平滑阶段，验证了该理论，并通过在有限大小的图卷积网络上进行训练线性分类器来测试我们的方法的预测结果，结果与有限大小的图卷积网络相吻合。

    Jun, 2024

  • 包含缺失特征的图形卷积网络

    该文提出了一种基于高斯混合模型的图卷积神经网络方法，有效解决了节点特征信息不完整所带来的性能退化问题，实现了端到端的特征填充和图学习过程，并在节点分类和链路预测任务中明显优于基于特征填充技术的方法。

    Jul, 2020

  • 图卷积神经网络中的转移熵

    基于 Transfer Entropy 的策略可解决 Graph Convolutional Networks 中的过度平滑和节点关系属性的利用两个重要挑战，并通过使用异质性和度信息作为节点选择机制以及基于特征的 Transfer Entropy 计算来提高 GCN 模型的分类准确率，但需要考虑计算复杂度。

    Jun, 2024

  • 从优化角度重新审视半监督节点分类中的图卷积网络

    本文从优化的角度解释了当前的图卷积操作存在的过度平滑问题，并引入了两个衡量节点级任务上过度平滑的度量标准，提出了一种新的卷积核 GCN+，并在真实的数据集上证明了其在节点分类任务上的优秀性能表现。

    Sep, 2020

  • DeeperGCN：训练深度 GCN 所需的全部

    本文提出了一种名为 DeeperGCN 的新型 Graph Convolutional Networks，它有效地解决了深度较大的 GCNs 存在的梯度消失、过度平滑和过度拟合等问题，实现了对大规模图数据的成功且可靠的训练，并在 Open Graph Benchmark (OGB) 上进行的实验证明其在节点属性预测和图形属性预测的大规模图形学习任务中比现有技术有显著提高。

    Jun, 2020

  • 基于节点可变图滤波器的卷积神经网络

    本文介绍了一种基于图的 CNN 架构，采用节点变化的 GF 代替传统卷积，通过局部操作提取不同的本地特征，以解决在不规则域中信号处理的问题，并在综合实验中进行了测试。

    Oct, 2017