Sep, 2020

超越局部化图神经网络：一种基于属性模式正则化的框架

PDF
TL;DR介绍了一种新的半监督学习框架，名为 InfoMotif，可有效提升 GNN 的性能。该框架通过节点在网络中存在的结构角色来实现节点表示的优化，同时通过最大化互信息来实现任意 GNN 的零计划独立性。经过实验测试，InfoMotif 在 6 个真实世界数据集上取得了显著的准度提升，特别是在局部邻域结构上具有稀疏标签和多样属性的节点。
infomotifsemi-supervised learninggraph neural networksnode representationmutual information maximization
发现论文，激发创造
  • 基于模式的图卷积神经网络

    该论文介绍了一种新的卷积神经网络架构，名为 Motif-CNN，能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。

    Nov, 2017

  • 基于模 motif 的注意力机制的图卷称神经网络

    本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。

    Nov, 2018

  • 基于模式的图形表示对比学习

    通过学习图模式 (Motif)，对大型图数据库进行 GNN 预处理，进而利用学习到的模式采样更多信息化的子图，通过对子图的对比学习预训练 GNN，使其性能在多个基准数据集中平均提高了 2.04% 的 ROC-AUC。

    Dec, 2020

  • 预训练与学习：为图神经网络保留全局信息

    该论文提出了一种名为 G-GNNs 的新型模型，通过无监督预训练获取节点的全局结构和属性特征，然后利用这些特征和原始网络属性，提出了一种 GNN 的并行框架以从这些特征中学习不同的方面。该模型的学习方法可应用于平面图和属性图，并通过 extensive experiments 在三个标准评估图上表现优异，特别地，在属性图学习方面，G-GNNs 在 Cora (84.31%) 和 Pubmed (80.95%) 上建立了新的基准记录。

    Oct, 2019

  • 基于模式图的分子属性预测自监督学习

    本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法，称为基于图案的图形自我监督学习（MGSSL）。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息，该框架可以在宽度优先或深度优先的方式下执行，并在不同的下游基准任务上进行了广泛实验，表明我们的方法优于所有最先进的基线。

    Oct, 2021

  • 分子图预训练的模式感知属性屏蔽

    本研究提出并研究了一种基于化学基团的属性掩码策略，以捕捉相互基团结构特征，并在八个分子性质预测数据集上验证了其优势。

    Sep, 2023

  • MAGE: 基于构图模式的模型层面图神经网络解释

    通过使用基础单元为基本图案生成解释的基于 Motif 的 GNN 解释器（MAGE），本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集，验证了该方法的有效性。

    May, 2024

  • 神经图形：全局背景下的场景图解析

    本研究通过分析场景图中常规出现的子结构 (即 motifs)，研究如何生成场景的结构化图形表达，并构建了一种能够捕捉场景图中高阶 motifs 的新架构 —— 堆叠 motif 网络 (Stacked Motif Networks)。通过在 Visual Genome 数据集上实验，结果表明我们的基准模型获得了 3.6％的相对改进，并且该新架构又减少了相对 7.1％的误差。

    Nov, 2017

  • MotifNet：基于 motif 的有向图卷积网络

    本文提出了 MotifNet 的概念，是一种基于本地图形的卷积神经网络 (Graph CNN)，旨在解决传统基于图拉普拉斯特征向量 (Spectral CNNs) 所遇到的无向图假设的限制，并且在真实数据上取得了较好的效果。

    Feb, 2018

  • 基于网络模式识别的作者归属

    利用复杂网络的概念和方法，研究关键词识别、自动提取摘要和作者归属等自然语言处理任务中的模式识别技术，提出了基于功能词重复模式的作者归属任务，运用机器学习方法对其进行验证，结果表明模式能够区分不同作者的写作风格，并推荐将其应用于其他相关的语言任务。

    Jul, 2016