基于拓扑感知的图池化网络
提出使用持久同调和地标的复合拓扑池化层并设计新的局部和全局可学习的拓扑表示方法以从图中提取有区分性的拓扑信息,该方法在 11 个不同的基准数据集上超过 18 个基线模型,显示出对比竞争对手更佳的实验表现。
Mar, 2023
我们提出了一种新颖的自适应图池化方法,它通过同时考虑图的结构和特征信息来构建合理的池化图拓扑,从而提高节点选择的准确性和客观性;并在丢弃无关节点之前聚合节点特征信息,以使选定的节点包含来自邻居节点的信息,从而增强未被选定节点的特征利用。实验结果表明,我们的方法在图分类方面有效,胜过现有最先进的图池化方法。
Jan, 2020
本文介绍了使用神经架构搜索技术搜索适当的池化方法用于图分类问题,并提出了一个可以涵盖现有人工设计的池化方法的框架,并在此框架上设计了一个新的搜索空间,在六个真实世界的数据集上做出了有效和高效的实验。
Aug, 2021
提出了一种新的汇聚技术,称为几何汇聚(GP),通过测量所有节点特征的相似性,并保留具有负值节点特征的独特信息,进而从熵降低的角度揭示了 GP 的有效性。在 TU 数据集上的实验显示,该提议的 GP 具有比 SOTA 图汇聚技术更小的参数,同时优于其 1% 到 5%。
Jun, 2023
我们提出了一种名为 GTPool 的图形变换汇聚方法,它引入了变换器来进行节点丢弃汇聚,以有效地捕获长程成对交互并同时进行多样化节点抽样。与现有方法相比,GTPool 在 11 个基准数据集上的广泛实验证明了其优越性。
Oct, 2023
本文研究图形池化(Graph pooling)对图神经网络(GNN)性能的影响,使用随机化或补图聚类的变体挑战了保留局部性表示的必要性,并表明了卷积层在学习表示中的领导作用。与普遍认为的不同,局部池化并非导致 GNN 在相关且广泛使用的基准测试中获得成功的原因。
Oct, 2020
本文介绍了一个综合性框架,用于描述图神经网络在任何拓扑特征上的拓扑感知能力,并研究了拓扑感知对图神经网络的泛化性能的影响。通过案例研究和实证结果,发现提高图神经网络的拓扑感知能力可能会在结构组之间造成不公平的泛化,同时展示了该框架在解决图主动学习中的冷启动问题上的实际适用性。
Mar, 2024
我们提出了一种名为 Attentive Pooling 的方法,可用于在神经网络中进行排名或分类,并且能够学习一种类似度量,以便使得输入内容能够影响彼此的表示,并引导池化。我们在三个基准任务中得到了最新的实验结果,并优于各种强基线模型。
Feb, 2016
我们研究了图神经网络在链接预测中的性能变化,并提出了基于节点的拓扑浓度的度量方法,该方法与链接预测之间具有更高的相关性。我们还发现了节点的拓扑分布转移问题,并提出了一种可扩展的近似拓扑浓度度量方法。最后,我们探讨了通过重新加权消息传递中的边来提高链接预测性能的潜力。
Oct, 2023
本文提出了一个新的方法,即使用整个邻域的时间聚合和传播图神经网络 (TAP-GNN),将时间信息嵌入节点嵌入向量中,取得了比现有的时间图方法更好的预测性能和在线推理延迟。
Apr, 2023