Nov, 2020

图神经网络设计空间

PDF
TL;DR该研究定义并系统研究了图神经网络的 315,000 种不同建模方式和 32 种预测任务的设计空间，得出了 GNN 设计准则，并提出 GNN 任务空间和相似度度量方法以便于在新任务和数据集上快速找到最佳的 GNN 设计。需要注意的是 GraphGym 也是一种开放且强大的探索不同 GNN 设计和任务的平台。
graph neural networksarchitectural design spacegnn task spacedesign guidelinesgraphgym
发现论文，激发创造
  • Auto-GNN: 图神经网络的神经架构搜索

    本文为了解决图神经网络结构设计中的耗时领域，提出了一种自动化图神经网络（AGNN）框架，使用强化学习的控制器去贪婪地验证架构，可以在预定义的搜索空间内找到最优的 GNN 架构，实现了参数共享的优化，可以大幅提升搜索效率，并在真实世界的基准数据集上进行了实验证明。

    Sep, 2019

  • 图神经网络中的神经结构搜索

    本文比较了基于强化学习和进化算法的两种神经架构搜索方法来优化图神经网络，结果在包括 7 个数据集的两个搜索空间内显示出两种方法的准确性与随机搜索相似，引出了有多少搜索空间维度实际上与问题相关的问题。

    Jul, 2020

  • 自动图神经网络

    本研究提出自动设计深层 GNN 的方法，其中添加了新型的跳跃连接以促进特征重用和缓解梯度消失问题，并允许进化算法在演化过程中增加 GNN 层数来生成更深的网络，在 Cora、Citeseer、Pubmed 和 PPI 数据集上实验表明，GNNs 的生成结果具有最先进的性能。

    Nov, 2020

  • Space4HGNN：一款新颖的、模块化、可重复使用的平台，用于评估异构图神经网络

    本文提出了一个统一框架，命名为 Space4HGNN，它涵盖了大多数異构图神经网络的多个设计维度，提供模块化组件、可重复实现和标准化评估，通过实验分析了不同设计的影响，总结出一个简洁的设计空间，并验证其有效性。

    Feb, 2022

  • 关于视觉识别网络设计空间的研究

    本研究提出了分布估计的新的比较神经网络架构方法，揭示了最新神经架构搜索设计空间变体之间的显著统计差异，并发现标准模型家族的设计空间可以与最近神经架构搜索工作中使用的更复杂的设计空间可以相媲美，以期为发现更好的视觉识别网络提供更健壮的进展。

    May, 2019

  • 图神经网络分布式系统的演化及其在图处理和深度学习中的起源：一项调查

    本文总结和分类大规模图神经网络解决方案的重要方法和技术，并建立了图神经网络系统、图处理系统和深度学习系统之间的联系。

    May, 2023

  • 图神经网络综述

    该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用，提出了四种图神经网络的分类，并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估，并提出了该领域的潜在研究方向。

    Jan, 2019

  • 计算机视觉中的图神经网络 —— 架构、数据集和常见方法

    该研究整理并总结了关于应用于计算机视觉的基于图神经网络（GNNs）及其派生物（如 GAT、GCN 和 GRN）的方法的论文，从网络结构、数据集、以及与其他领域的关联等三个方面进行了详细阐述。

    Dec, 2022

  • 从消息传递重新思考图神经架构搜索

    本文提出的 Graph Neural Architecture Search 可以自动化搜索图神经网络的最佳深度和最佳的消息传递机制，以达到优越的图任务结果。

    Mar, 2021

  • 深度图神经网络的系统综述：挑战、分类、架构、应用与生物信息学的潜在用途

    深度学习在图神经网络中的非欧几里得空间的生物信息学研究中具有潜在的优势，能够解决与生物相关的复杂图形问题。

    Nov, 2023