可以最终模拟本地结构的图卷积

Nov, 2020

Graph convolutions that can finally model local structure

Rémy Brossard, Oriel Frigo, David Dehaene

TL;DR我们提出了一种很简单的方法来修改 GIN 卷积，以便使网络可以检测到很小的环，这对于在化学上下文中对图形子结构进行分析的下游任务非常重要。在真实的分子属性数据集上进行测试，我们的模型始终改善了大型多任务数据集的性能，无论是在全局还是在每个任务的设置中。

Abstract

Despite quick progress in the last few years, recent studies have shown that modern graph neural networks can still fail at very simple tasks, like detecting small cycles. This hints at the fact that current netw

graph neural networks local structure gin convolution small cycles molecule property datasets

发现论文，激发创造

简化图卷积网络

通过消除 GCN 中的不必要的非线性和权重矩阵，我们提出了一种线性模型，它对应于一个固定的低通滤波器，然后是一个线性分类器。在许多下游应用中，我们的实验评估表明这种简化并不会对精度产生负面影响。此外，由于我们的模型简化减少了计算量，因此我们的模型在更大的数据集上具有可扩展性，并且具有更快的推理速度。

Feb, 2019

大规模可学习的图卷积网络

通过使用可学习的图卷积层 (LGCL) 和子图训练方法，本论文解决了卷积神经网络在处理通用图像数据时的困难，提高了基于节点分类任务的准确率和效率。

Aug, 2018

半监督学习中图卷积网络的深入洞察

本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

Jan, 2018

基于高斯函数的图卷积算法

本研究提出了一种基于高斯的卷积滤波器的框架 (GIC)，旨在解决非规则图的局部卷积滤波问题，之后在几个公共图分类数据集上验证了该方法的有效性和卓越的性能.

Nov, 2018

快速局部谱滤波的图卷积神经网络

该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。