学习参数化图移动运算符

Jan, 2021

Learning Parametrised Graph Shift Operators

George Dasoulas, Johannes Lutzeyer, Michalis Vazirgiannis

TL;DR提出了一种新的参数化图移位算子（PGSO），可以有效地替代现有的 GNN 架构中使用的标准 GSO，并且 PGSO 参数的优化被无缝地纳入模型训练中，研究了在随机块模型网络中，PGSO 参数会自适应地复制文献中发现的 GSO 正则化。在多个真实世界的数据集上，使用 PGSO 在节点分类和图分类任务中均可以提高现有 GNN 架构的准确性。

Abstract

In many domains data is currently represented as graphs and therefore, the graph representation of this data becomes increasingly important in machine learning. Network data is, implicitly or explicitly, always represented using a graph shift operator (GSO) with the most common choices

graph neural networks graph shift operator parametrised gso eigenvectors spectral bounds

发现论文，激发创造

解释和适应图形条件平移

本文研究了图神经网络易受分布变化影响的原因，提出了一种基于条件转移的无监督领域自适应方法，并在合成及实际数据实验中表现出鲁棒性。

Jun, 2023

图上的转移算子：谱聚类与更多

本文介绍了对图进行簇聚算法及其使用 Koopman 算子和 Perron-Frobenius 算子的谱性质，以及如何使用它们的广义传递算子来提出新的有向图聚类算法。

May, 2023

非线性谱滤波下的图上等变机器学习

图谱域的非线性光谱滤波器 (NLSFs) 通过在图形的信号空间中操作来保证图功能性的转移，具有普适逼近性质，并且在节点和图分类基准测试中表现出优越性能。

Jun, 2024

图上的高斯过程

通过图拉普拉斯正则化约束目标向量具有特定的图傅里叶变换系数，本文提出了一种基于图的信号的高斯过程，并证明了任何非平凡图的预测方差严格小于传统高斯过程。我们还在各种真实世界的图信号上验证了该方法表现比普通高斯过程更优秀，特别是在小训练数据规模和嘈杂训练下。

Mar, 2018

GSNs：生成随机网络

提出了一种新的基于马尔科夫链的生成随机网络（GSN）框架作为概率模型的训练原则，并通过具有反向传播的梯度来学习该链的转移算子，该理论提供了关于依赖网络和广义伪似然的有趣解释，试验结果验证了该理论在两个图像数据集中的有效性，并且在训练时不需要层次预训练。

Mar, 2015

SizeShiftReg: 一种用于提高图神经网络尺寸泛化能力的正则化方法

本研究提出一种基于规则化策略的方法，能够在只有训练数据而没有测试数据的情况下，提高图神经网络在更大规模的图上的泛化能力，从而改善图分类的性能。实验结果表明，流行的 GNN 模型在我们的规则化策略下，在 50% 规模最小的图上进行训练，在 10% 规模最大的图上进行测试时，性能提高了达到 30%。

Jul, 2022

深入理解置换敏感的图神经网络

本研究提出了一种通过置换组捕捉相邻节点间的成对相关性的高效置换敏感聚合机制，证明我们的方法比 2-WL 图同构测试更强大且不逊于 3-WL 测试，并证明我们的方法可以实现线性采样复杂度。多个数据集的综合实验证明了我们模型的优越性。

May, 2022

机器学习的图信号处理：一份综述和新视角

该研究介绍了如何利用图信号处理的概念和工具，诸如图滤波器和变换，以开发新的机器学习算法，并提供了未来 GSP 技术发展的新视角，以解锁在现代数据分析中的许多挑战。

Jul, 2020

从频谱模板推断网络拓扑

本文提出了一种利用凸优化和图信号静态特性来从难以观测的图信号中恢复网络结构的图移位算法，数值实验验证了该方法在社交、大脑和氨基酸网络中的有效性。

Aug, 2016

基于图分割和空间投影的异质网络嵌入方法 - GPSP

提出 GPSP，通过图分区和空间投影，学习多类型节点和链接的异构网络表示，各个子网中学习投影嵌入向量，将来自双部分子网的投影向量与同质子网的向量进行连接，展示出 GPSP 在结点分类与聚类等关键网络挖掘任务上的表现胜过现有基础线。

Mar, 2018