Sep, 2020

CatGCN：具有分类节点特征的图卷积网络

PDF
TL;DR论文提出一种新的 GCN 模型 CatGCN，它适用于当节点特征为分类特征时的情况。该模型在学习初始节点表示时整合了两种显式的交互模型，并使用基于邻域聚合的图卷积对初始节点表示进行了改进。实验证明，CatGCN 对半监督节点分类任务非常有效，尤其是在进行特征交互建模之前进行图卷积操作的积极效果。
graph convolutional networksnode representationscategorical featuresinteraction modelingsemi-supervised classification
发现论文，激发创造
  • 文本分类中的图卷积网络理解

    本文分析了图卷积网络（GCN）在文本分类中的节点和边嵌入方式以及学习机制的影响，并在不同文本分类基准下得出了有用的结论。

    Mar, 2022

  • 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

  • 交叉 GCN: 用 $k$ 阶特征交互增强图卷积网络

    本文介绍了一种新的算子 Cross-feature Graph Convolution，它可以更好地处理重要的交叉特征，细致分析和实验证实了这一算子在 GCN 中的作用和性能，特别是在较低层的特征学习中表现得更为明显。

    Mar, 2020

  • 半监督学习中图卷积网络的深入洞察

    本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

    Jan, 2018

  • AM-GCN: 自适应多通道图卷积网络

    本文提出了一种新型 GCNs 模型：自适应多通道图卷积网络 (AM-GCN)，以更好地融合和提取节点特征和拓扑结构之间的深度相关信息，并在半监督分类任务上取得了明显的精度提升。

    Jul, 2020

  • 可学习的图卷积注意力网络

    该研究介绍了图卷积注意力层（CAT）和 GNN 架构（L-CAT），旨在充分利用两种方法的优势并自动插值 GCN，GAT 和 CAT。研究结果表明，在一系列数据集中，L-CAT 能够有效地组合不同的 GNN 层，优于竞争方法，从而减少了交叉验证的需求。

    Nov, 2022

  • 基于特征注意力的图卷积网络实现噪声鲁棒性学习

    本文提出了一个处理节点内容嘈杂且稀疏的特征关注图卷积学习框架，采用长短期记忆网络学习每个节点的密集表示，引入特征 - 注意机制，允许相邻节点学习和变化特征重要性，并使用基于谱的图卷积聚合过程，该方法在不同噪声水平下表现出优于现有方法的性能。

    Dec, 2019

  • 简化图卷积网络

    通过消除 GCN 中的不必要的非线性和权重矩阵，我们提出了一种线性模型，它对应于一个固定的低通滤波器，然后是一个线性分类器。 在许多下游应用中，我们的实验评估表明这种简化并不会对精度产生负面影响。 此外，由于我们的模型简化减少了计算量，因此我们的模型在更大的数据集上具有可扩展性，并且具有更快的推理速度。

    Feb, 2019

  • 知识图谱补全中的图卷积网络再思考

    本文通过建立变体研究了基于 Graph Convolutional Networks 的知识图谱完成模型，在实验中发现了与预期相反的图结构建模并不对模型性能产生显著影响，而实体表示的转换是改善性能的关键因素。作者基于此提出了 LTE-KGE 框架，通过线性转换实体嵌入向现有的 KGE 模型中添加 GCNs 模块以达到类似的性能提升。实验结果表明，与 GCN-based KGC 方法相比，LTE-KGE 模型在性能上有类似的提升，同时更具计算效率。因此，本文表明 GCNs 对于 KGC 并不必要，新型基于 GCNs 的 KGC 模型需要进行更多的消融研究来验证其有效性。

    Feb, 2022

  • 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