ICLRApr, 2021

我们需要各向异性图神经网络吗？

PDF
TL;DR本文介绍了 Efficient Graph Convolution（EGC），它是一种等向性图神经网络，通过使用空间可变自适应滤波器，始终优于可比较的非等向性模型，包括流行的 GAT 或 PNA 结构，提高了模型精度，降低了内存消耗和延迟，并具有加速器实现的特点，适合于现有结构的替代方案，并讨论了我们工作对社区提出的重要问题。
graph neural networkanisotropic modelsisotropic gnnefficiencyadaptive filters
发现论文，激发创造
  • 定向图网络

    本研究提出首个全局一致的 anisotropic kernels，允许 GNN 根据拓扑推导的方向流进行图卷积；方法基于图中定义向量场，通过将节点特定信息投影到向量场中应用方向导数和平滑，采用 Laplacian 特征向量作为向量场；研究揭示该方法在 Weisfeiler-Lehman 1-WL 测试方面比标准 GNN 更具有辨别力，且未监督地嵌入方向，能更好地表示不同物理或生物问题的各向异性特征。

    Oct, 2020

  • 标度等变网格 CNN：几何图上的各向异性卷积

    本文提出了一种基于等规反变的网络结构，使用各向异性卷积核来应用于网格类型数据，得到了比传统的卷积神经网络更加显著的效果。

    Mar, 2020

  • 等距不变和等变图卷积网络

    我们提出了一种基于图卷积网络的一组变换不变和等变模型，称为 IsoGCNs，并证明了该模型在几何和物理模拟数据相关任务上具有竞争性能.

    May, 2020

  • 使用各向异性卷积神经网络学习形状对应关系

    本研究介绍了一种基于各向异性扩散核的内在卷积神经网络 (Anisotropic Convolutional Neural Network, ACNN)，该网络通过学习复杂形态变化的不变性，能够在极具挑战性的设置中高效地学习可变形形状间的内在密集对应关系，并在最近的对应基准测试中取得了最新的最佳结果。

    May, 2016

  • E (n) 等变图神经网络

    本文介绍了一种新的模型来学习具有等变性的图神经网络，称为 EGNN，此方法不需要在中间层中计算昂贵的高阶表示，同时具有竞争力或更好的性能，在 3 维空间等变性上具有比现有方法更大的伸缩性，并在动态系统建模，图自编码器中的表征学习和预测分子性质方面证明了其有效性。

    Feb, 2021

  • 近似等变图网络

    图神经网络 (GNNs) 和欧几里德卷积神经网络 (CNNs) 的等变性对称性不同，本篇论文侧重于探讨 GNNs 的主动对称性，通过对信号在固定图上的支持进行学习，将近似对称性形式化为图粗化，提出了一个偏差 - 方差公式来量化损失表达性与学习估计的规则性之间的权衡，实验证明，选择比图自同构群大但小于全排列群的适当大的群可以达到最佳泛化性能。

    Aug, 2023

  • 自适应核图神经网络

    该研究提出了一种新型的自适应核图神经网络框架（AKGNN），通过设计一种数据驱动的图内核学习机制来解决预定义核对于不同图之间间的泛化问题，同时通过参数化技巧和全局输出函数增强其表达能力，该方法在公认的基准数据集上展示了优异的性能表现。

    Dec, 2021

  • 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

  • 不变和等变图神经网络的表现能力

    本文提出了一个理论框架，可以比较图神经网络架构的表达能力，证明了实用 GNN 的第一近似保证，FGNN 被证明是最具表现力的架构之一，在 Quadratic Assignment Problem 中的应用表明 FGNN 能够比现有的基于谱、SDP 或其他 GNN 架构的算法表现得更好。

    Jun, 2020

  • 可变形图卷积网络

    本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

    Dec, 2021