Oct, 2020

大规模网络定位的图神经网络

PDF
TL;DR本研究采用图神经网络（GNN）解决经典的非线性回归问题 —— 网络定位，并发现 GNN 在精度、鲁棒性和计算时间方面潜在成为大规模网络定位的最佳解决方案，适当的通信范围阈值对其高性能至关重要。此外，本研究提出的基于 GNN 的方法通过数据聚合、非线性可见性去噪和低通滤波等技术使其在邻居选择阈值上的优化成为可能。仿真结果表明，该方法远优于先前的最新基准。
graph neural networksregressionnetwork localizationnon-line-of-sight noise removaldata aggregation
发现论文，激发创造
  • 鲁棒大规模网络定位的注意力图神经网络

    提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。

    Nov, 2023

  • 节点分类的全局 - 局部图神经网络

    提出了一种名为 Global-Local-GNN (GLGNN) 的方法，通过利用全局和局部信息以及节点标签和特征的学习，提高了节点分类 GNNs 的性能，并显示了全局信息利用对节点分类的重要性。

    Jun, 2024

  • 解决图神经网络中本地化训练数据的影响

    通过规范化方法，适应并改善模型在局部训练数据和整个图预测过程中的表现，提高图神经网络模型对非分布式数据的适应能力和泛化性能。

    Jul, 2023

  • 分布式图神经网络训练：综述

    这篇综述论文分析了分布式图神经网络训练的三个挑战以及通过四类优化技术解决这些挑战的方法：GNN 数据分区、GNN 批量生成、GNN 执行模式和 GNN 通信协议。最后，本文总结了现有的多 GPU、GPU 集群和 CPU 集群的分布式 GNN 系统，并就可伸缩 GNNs 的未来方向进行了讨论。

    Nov, 2022

  • 学习具有正节点和未标记节点的图神经网络

    本文提出了一种基于长短距离注意力模型的图神经网络框架，用于解决标注有限以及捕捉图中长距离关系的问题，并应用于 PU 学习与节点分类任务中，实验结果证明了算法的有效性。

    Mar, 2021

  • 利用图神经网络预测本地文化

    该研究提出了一种图神经网络（GNN）方法，用于结合和评估关于社区内部特征、过去特征和群体流动的多个信息来源，从而在预测模型中提供更高的表达能力。通过探索来自 Yelp 的公共大规模数据集，我们展示了我们的方法在考虑结构联系以预测社区属性方面的潜力，特别是预测当地文化。研究结果在实质和方法上都具有潜力，发现当地区信息（如地区人口统计信息）或群体特征（Yelp 评论者的口味）在预测当地文化方面效果最佳，并且在所有研究案例中几乎相当。从方法论上来看，探索群体特征可能是一个有帮助的替代方法，当获取特定地区的本地信息具有挑战性时，因为它们可以从许多形式的在线数据中自动提取。因此，我们的方法能够在缺乏其他本地区域信息时，为研究人员和决策者使用一系列数据来源提供支持。

    Feb, 2024

  • 探索图神经网络的泛化理解

    研究了图神经网络在泛化上的机制，建立了高概率边界和其对泛化差距和梯度的影响，得出结论和实验证据相符的新认识。

    May, 2023

  • 通信网络中的图神经网络：背景、应用案例和机遇

    GNN 可以作为一种新一代的数据驱动模型应用于通信网络的建模、控制和管理中，其优势在于可以应用于训练过程中未看到的其他网络和配置，以实现网络优化等诸多应用。

    Dec, 2021

  • 图神经网络：方法和应用综述

    本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

    Dec, 2018

  • 使用 Line 图神经网络进行监督式社群检测

    使用图神经网络的有监督学习方法来解决社区检测问题，并在数据驱动和无准入下表现出比信念传播算法更好的性能，同时在实际数据集上也获得了良好的表现，此外，对于使用线性 GNN 进行社区检测问题训练的优化梯度的第一次分析也被给出。

    May, 2017