图神经网络作为图信号去噪的统一视角
探索了图神经网络(GNN)如何进行信号去噪,并提出了两种新的模型,GSDN-F 和 GSDN-EF,并且证明了该理论框架以及新模型在基准数据集上的有效性。
Jun, 2020
本研究提出了一种 Alternating Graph-regularized Neural Network (AGNN) 模型,其中包括 Graph Convolutional Layer (GCL) 和 Graph Embedding Layer (GEL)。GEL 通过包含拉普拉斯嵌入项的图正则化优化导出,可以通过从低阶特征空间定期投影到高阶空间来缓解过度平滑问题。通过改进的 Adaboost 策略聚合来自每一层的输出,并探索多跳邻居的集成嵌入,评估表明,在比较某些多层或多阶图神经网络的性能基础上,AGNN 比现有的最先进模型表现更好。
Apr, 2023
该研究探索了卷积神经网络在图信号处理方面的应用,通过构建选择图神经网络和聚合图神经网络,对信号的卷积和池化进行了重新解释,实现了在图数据上的卷积神经网络。此外,该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。
May, 2018
这篇研究提出一种鲁棒的图神经网络实现方法,明确考虑了观察拓扑中的扰动,通过优化可学习参数和真实图形来解决非可微且受限制的优化问题,适用于各种类型的图形,并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。
Dec, 2023
该论文提出了一种新的框架,使用基于节点度数的门控机制动态地调整图神经网络的层数,从而增强信息聚合的能力并减少过度平滑,通过实验验证该模型在多个数据集上表现良好。
May, 2022
通过对代表性鲁棒性图神经网络的鲁棒性分析,我们提供了一个统一的鲁棒估计视角以了解它们的鲁棒性和局限性。我们通过估计偏差的新颖分析来设计了一个鲁棒而无偏的图信号估计器,并开发了一个高效的拟牛顿迭代加权最小二乘算法来解决估计问题,在图神经网络中展开为鲁棒无偏的聚合层,并具有理论上的收敛保证。我们的综合实验证实了我们提出模型的强鲁棒性,剖析研究深入认识了其优势。
Nov, 2023
通过引入两个过度平滑度衡量指标以及可微分的分组正规化技术(DGN),增加同一组内节点的平滑度,同时在不同组之间分离节点分布以显着减轻过度平滑的问题,使得 GNN 模型更加鲁棒,并实现更好的性能与更深层次的 GNN。
Jun, 2020
本文提出了 Policy-GNN 方法,通过 meta-policy 学习采样策略和消息传递,以解决 GNN 中的聚合优化问题,提高对图数据的建模精度。实验表明 Policy-GNN 显著优于现有的替代方法。
Jun, 2020
提出了一种新颖的图神经网络框架 AdaGNN,其中包含了一种经过精心设计的自适应频率响应滤波器,可以在节点表示学习中捕获不同特征通道之间的内在差异,从而具有更强的表达能力并自然地缓解压平问题。在各种基准数据集上实证表明,所提出的 AdaGNN 框架具有很高的有效性,同时还提供了理论分析以证明其优越性。
Apr, 2021