线性图卷积网络中扩散过程的解剖

Feb, 2021

线性图卷积网络中扩散过程的解剖

Dissecting the Diffusion Process in Linear Graph Convolutional Networks

Yifei Wang, Yisen Wang, Jiansheng Yang, Zhouchen Lin

TL;DR通过对连续图扩散的角度解剖了线性GCNs的特征传播步骤，分析了为什么线性GCN不能从更多的传播步骤中受益。随后，我们提出解耦的图卷积（DGC），分离终端时间和特征传播步骤，使其更灵活，能够利用非常多的特征传播步骤。实验表明，我们提出的DGC显著改善了线性GCNs，并使它们能够与许多现代非线性GCNs的变体竞争。

Abstract

graph convolutional networks (GCNs) have attracted more and more attentions in recent years. A typical GCN layer consists of a linear feature propagation step and a nonlinear transformation step. Recent works sho

发现论文，激发创造

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

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

扩散改善图学习

本文提出了一种名为GDC的基于图扩散的图卷积方法，与传统的基于直接邻接节点的图卷积方法相比，它可以处理真实图中任意定义边界带来的噪点问题，并在各种图神经网络和其他基于图的算法中取得了显著的性能提升，同时不需要改变原算法的计算复杂度。

Oct, 2019

自适应传播图卷积网络

本文提出了一种自适应传播的图卷积网络（AP-GCN），通过节点自适应的通信步数和交换协议来平衡通信和精确度的关系，实现了优秀的图数据推断表现。

Feb, 2020

L$^2$-GCN: 图卷积网络的层次和学习有效训练

本研究提出了一种高效的图形卷积网络（GCN）训练框架L-GCN，该框架通过在训练期间解耦功能聚合和功能转换，大大降低了时间和内存复杂度，并提出了L²-GCN，用于每个层学习控制器，可以自动调整每个层的训练时期。实验表明，在不依赖于数据集大小的一致内存使用情况下，L-GCN比现有技术快至少一个数量级，同时保持可比的预测性能。

Mar, 2020

有向图卷积网络

本研究提出了一种名为DGCN的新型GCN模型，通过利用一阶和二阶接近度来将其扩展到有向图，可以保留有向图的连接属性并扩展卷积操作的感受野，实验证明只用DGCNs可编码更多有用的图信息并在推广到其他模型时提高性能。

Apr, 2020

简单而深入的图卷积网络

本研究提出了一种使用深度学习解决图像识别问题的方法——GCNII，并通过两种新技术—初始残差和身份映射—缓解了问题过度平滑的问题。实验结果表明深度GCNII模型在半监督和全监督任务中的性能优于现有方法。

Jul, 2020

解耦图卷积神经网络与标签传播的等效性

本文从标签传播的角度探索了解耦后的图卷积网络，证明其本质上与两步标签传播是一致的，并揭示了其有效性，提出了一种新的标签传播方法，Propagation then Training Adaptively (PTA)，通过动态自适应加权策略克服了解耦后的GCN的缺陷。该方法在四个基准数据集上得到经验证明优于现有方法。

Oct, 2020

关于训练图卷积网络深度的可证明优势

本文针对图卷积网络（GCNs）在层数增多时表现下降的问题进行了研究，发现合理训练后更深的模型具有极高的训练准确性，但泛化能力较差。通过分析GCNs的泛化能力，本文提出了一种解耦结构，使得GCNs既能保留表达能力，又能保证较好的泛化性能。各种合成和真实数据集的实证评估证实了这一理论。

Oct, 2021

图神经扩散网络用于半监督学习

GND-Nets, a new graph neural network that exploits local and global neighborhood information, is proposed to mitigate the over-smoothing and under-smoothing problems of Graph Convolutional Networks, using a new graph diffusion method called neural diffusions, which integrate neural networks into the conventional linear and nonlinear graph diffusions.

Jan, 2022