GraphMDN：利用图结构和深度学习解决反问题

Oct, 2020

GraphMDN：利用图结构和深度学习解决反问题

GraphMDN: Leveraging graph structure and deep learning to solve inverse problems

Tuomas P. Oikarinen, Daniel C. Hannah, Sohrob Kazerounian

TL;DR本文研究了新型的图神经网络 (Graph Neural Networks) 在处理非欧几里德图结构数据时的应用。作者提出了一种将 Graph Neural Network 和混合密度网络 (Mixture Density Network, MDN) 相结合的新型网络 (Graph Mixture Density Network), 该网络可将图结构信息嵌入到深度神经网络中，并在数据具有图结构、有多模态回归目标或是需要模拟多峰分布的情况下表现优异。作者在基于人类姿势估计的任务中，比较了该网络与其他现有的图神经网络模型，结果表明该模型有效地提升了预测性能。

Abstract

The recent introduction of graph neural networks (GNNs) and their growing popularity in the past few years has enabled the application of deep learning algorithms to non-Euclidean, graph-structured data. GNNs have achieved state-of-the-art results across an impressive array of graph-ba

graph neural networks non-euclidean data graph mixture density networks multi-modal regression inverse problems

发现论文，激发创造

基于图数据的反卷积神经网络

该研究提出了一种名为图解卷积网络（GDN）的解决方案，旨在通过组合频谱域中的逆滤波器和小波域中的去噪层，实现对由图解卷积网络（GCN）平滑的图形数据的重建操作，同时解决信号中的噪声干扰问题，它在图特征补全和图结构生成等多项任务中展示出了有效性。

Oct, 2021

图混合密度网络

该研究提出了一种新的机器学习模型 —— 图混合密度网络，可适用于任意拓扑结构的多模态输出分布拟合。研究结果表明，该模型在应对结构化数据相关的挑战性条件密度估计问题方面表现突出，并可应用于随机传染病模拟等领域，且能有效提高结果的预测不确定性。

Dec, 2020

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

隐式图神经网络

本文提出了一种名为 “Implicit Graph Neural Networks（IGNN）” 的图学习框架，其利用 Perron-Frobenius 理论来确保该框架的良好性，并利用隐式微分得到一种可行的投影梯度下降法来训练该框架，实验证明 IGNN 可以稳定捕捉长程依赖并优于现有的 GNN 模型。

Sep, 2020

对抗训练图形卷积网络实现缺失数据插值

本论文提出了一种更通用的缺失数据填充 (MDI) 框架，使用图神经网络 (GNNs) 建立自编码器与边表征向量，通过多个损失函数提升性能。本方法在大规模实验中表现优于现有 MDI 方法，在大量缺失值时尤为明显。

May, 2019

反推攻击图神经网络模型

该论文对 GNNs 进行了系统研究，提出了 GraphMI 方法用于推断私有训练数据中的离散边缘，建议更有效的隐私防御措施。

Sep, 2022

GraphMI: 从图神经网络中提取私有图数据

机器学习的广泛应用使得隐私问题变得尤为紧迫。本文提出了一种名为 Graph Model Inversion Attack (GraphMI) 的攻击方法，旨在通过反演目标模型中的 GNN，从而提取训练图的私有图数据。我们提出了投影梯度模块来解决图的离散性问题，并设计了图自编码器模块来高效利用图拓扑、节点属性和目标模型参数进行边缘推断。我们还展示了模型反演风险与边缘影响之间的联系，并在几个公共数据集上进行了广泛的实验以证明我们方法的有效性。此外，我们还表明最基本的差分隐私几乎无法保护我们的攻击同时保持良好的效用。

Jun, 2021

MG-GNN: 多重网格图神经网络用于多层次域分解方法的学习

本文提出了一种新颖的 GNN 结构，称为多级网格图神经网络 (MG-GNN)，用于学习两级 DDM 中的最优化参数，并使用一种新的无监督损失函数对其进行训练。我们展示了 MG-GNN 在优化方面优于其他流行的层次图网络架构，并且证明了我们提出的损失函数对于实现这种改进的性能是至关重要的。

Jan, 2023

混合密度网络在产品捆绑分类中的应用

本文提出了两种基于混合密度网络的分类模型，通过将高斯混合模型拟合到数据中，并使用拟合的分布通过评估学习到的累积分布函数对给定样本进行分类。这些模型在三个公开数据集上表现略优于或与五个基准分类模型相当，并通过真实世界的产品捆绑应用展示了其实际用途。具体而言，我们使用这些模型从单个产品的合成销售数据中学习愿意支付（WTP）分布，并利用所学到的 WTP 分布的高斯混合表示来获得由两个产品组成的捆绑产品的 WTP 分布。这些提出的基于混合密度网络的模型能够很好地近似两个产品和捆绑产品的真实 WTP 分布。

Feb, 2024

ARMDN：用于电商需求预测的联合与循环混合密度网络

本研究提出了一种称为 AR-MDN 的神经网络结构，该结构能够同时模拟关联因素、时间序列趋势和需求方差，为在线零售组织提供精确的需求预测，同时也在消除需求方面存在的问题方面获得了显著的改进和提高。

Mar, 2018