在研究中,我们分析了 Graph Neural Networks 在简单认知任务中的能力,并讨论了其在学习所谓的 “identity effects” 时的一般化特性和基本限制。 我们通过两个案例研究来支持我们的理论分析。
Jun, 2023
提出了一种基于 1-WL 和邻居之间的边缘考虑的 NC-1-WL 算法,实现了图同构测试,提高了图神经网络的可表达性;进一步提出了 NC-GNN 框架作为 NC-1-WL 的可微分神经版本,能够在各种基准测试中实现出色的性能。
Jun, 2022
本文研究如何全面利用信息,从理论和实践上提高信息传递神经网络的表现力和可推广性,并提出一种新的名为 INGNN 的图神经网络模型,针对节点分类任务,与目前最先进的方法相比,实验证明其优越性(平均排名 1.78)。
Oct, 2022
本文探讨了图同构、图神经网络的表达能力及其应用。作者提出了 k - 阶不变 / 本质等变图神经网络,并将此网络应用于图分类的任务中。实验表明,模型在数据集上表现的优异,证明了本文所提出的模型是有实用价值的。
May, 2019
本研究提出了新的 Ego-GNN 方法,通过增加在每个节点周围子图中定义的信息来扩展 GNN 的消息传递操作,并证明了 Ego-GNN 比标准消息传递 GNN 更强大,能够识别封闭三角形,从而在绝大多数现实世界的图中更有效地进行节点分类。
Jul, 2021
本文提出了一系列简单的改进方法,将标准消息传递图神经网络(GNN)转化为可证明强大的有向多重图神经网络,并将其应用于金融犯罪分析和网络钓鱼检测等任务中,得出了极好的实验结果。
本文提出了一种基于图神经网络的新型用户身份链接框架,称为 (m),该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接,并在实际数据集上进行了广泛实验来证明其有效性。
Mar, 2019
通过理论分析和模拟仿真,我们发现图神经网络中的结构偏差传播导致了隐私泄露问题,基于这些发现,我们提出了一个双重隐私保护框架,该框架有效地保护了节点和链接隐私,同时在节点分类等下游任务中保持高效用。
Aug, 2023
这篇论文提出了 Nested Graph Neural Networks (NGNNs) 框架,通过将节点表示编码为子图而不是子树来表示整个图,从而比 1-WL 更强大地区分几乎所有 r 正则图,并且在基准数据集上表现出高度竞争性表现。
Oct, 2021
提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架,通过生成 hierarchical structure,并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm,实现了对长程信息的高效访问,从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。
Sep, 2020