CVPROct, 2020

Bi-GCN: 二元图卷积网络

PDF
TL;DR本文介绍了一种二进制图卷积神经网络（Bi-GCN），它将网络参数和输入节点特征进行二元化，并将原始矩阵乘法改为二进制运算以加速计算，并使用一种新的梯度逼近反向传播方法来训练我们的 Bi-GCN。实验表明，与全精度基线相比，Bi-GCN 在节省内存资源方面平均可以减少约 30 倍，并平均加速推理速度约 47 倍，并且该二进制方法还可以轻松应用于其他 GNNs。
graph neural networksbinary graph convolutional networkmemory consumptiongradient approximationperformance
发现论文，激发创造
  • 二元图神经网络

    本论文探讨了将二值化技术应用于图神经网络的方法，并成功设计了能够在 Hamming 空间内快速构建动态图的模型，实现了在准确性轻微损失的代价下在嵌入式设备上取得了显著的存储空间和时间扩展的效果。

    Dec, 2020

  • 二值化图神经网络

    本研究提出了一种基于二值网络参数的二值图神经网络模型，将其与现有的图嵌入方法相结合，可以提高模型效率和可扩展性，同时与当前最优性能相匹配。

    Apr, 2020

  • 带有邻居交互的双线性图神经网络

    本文提出了 Bilinear Graph Neural Network (BGNN) 作为一种新的图卷积运算符，它增加了邻居节点表示的成对交互，从而在半监督节点分类任务中提高了 GNN 的表示能力。实验结果表明，BGNN 模型的性能优于现有的 GNN 模型。

    Feb, 2020

  • BiTe-GCN: 基于拓扑和文本特征的双向卷积新 GCN 架构

    本文介绍了一种解决 GCN 在拓扑限制、特征与拓扑之间不平衡以及局部同质性等问题的新型架构 BiTe-GCN，在文本丰富的网络上进行双向拓扑与特征卷积，并引入了判别式卷积机制。在 J.D. 搜索等实际应用中得到了突破性的性能提升。

    Oct, 2020

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019

  • 二值化单纯形卷积神经网络

    基于二值正向传播策略的二值单纯共形神经网络，通过使用 simplicial convolution 结合 Hodge Laplacian 可以高效且准确地表示高阶结构，相较于之前的单纯共形神经网络具有更小的模型复杂度，缩短了执行时间且不易产生过度平滑效应。

    May, 2024

  • 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

  • GBCNs: 基因二进制卷积网络用于增强 1-bit DCNNs 性能

    提出了基因二元卷积神经网络（Genetic Binary Convolutional Networks，GBCN），并利用一种新的平衡遗传算法（balanced Genetic Algorithm，BGA）解决了 1 位深度卷积神经网络（DCNNs）中存在的局部极小值问题，该方法在目标分类任务（CIFAR，ImageNet）上得到了验证，表现出强大的泛化性能。

    Nov, 2019

  • BitGNN: 在 GPU 上释放二值图神经网络的性能潜能

    本研究提出了一种二进制图神经网络的高效推理后端的重新设计，旨在充分地发挥加速器硬件性能潜力；在实际图形中，使用 GCNs、GraphSAGE 和 GraphSAINT 的结果表明，使用相同的精度，所提出的技术比最先进的二进制 GNN 实现快 8-22 倍。

    May, 2023

  • 蒸馏图卷积网络的二元化协同过滤

    利用改进的图卷积网络和针对 Top-K 物品推荐的二值协同过滤方法来应对真实世界中推荐系统中的挑战，并通过将排名信息转化为二值表示来提高在线推荐的效率。

    Jun, 2019