Apr, 2021

基于强化邻域选择的多关系图神经网络

PDF
TL;DR该论文提出了一种新的 Graph Neural Network 体系架构（RioGNN），通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘，并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明，该方法比其他比较方法更有效，更高效，并具有更好的模型解释性。
graph neural networksmulti-relational graph representationsriognnneighbor selection mechanismmodel explainability
发现论文，激发创造
  • 利用检索增强的图神经网络进行图属性预测

    本文提出一种图检索机制叫做 GraphRetrieval 通过检索训练图来加强现有的图神经网络模型，利用自注意力的适配器从被检索图中获取有益信息并消除噪声，实现了对现有 GNN 模型效果的显著提升。

    Jun, 2022

  • 集成多关系图神经网络

    本研究提出了一种新的集合多关系图神经网络通过设计集合多关系（EMR）优化目标来同时解决以前多关系 GNN 中扩充和过度参数化的问题，并截取了一个多关系 GNN，以缓解过度平滑和过度参数化问题，并在四个基准数据集上进行的广泛实验表明了所提出的模型的有效性。

    May, 2022

  • 多关系网络推理的自适应邻域图构建

    提出了一个能够动态调整邻居图的框架，它能够根据中间推理结果的状态和相互连接的结构属性来处理多关系数据，并根据中间推理结果使用不同数量的关系。将链接预测任务制定为对邻域图的推理，并包括初步结果来说明我们提出的框架中不同策略的影响。

    Jul, 2016

  • 使用生成参数的图神经网络进行关系提取

    本文提出了一种基于自然语言句子来生成图神经网络参数的方法（GP-GNNs），使 GNN 能够处理非结构化文本输入的关系推理，验证了在文本关系抽取中的有效性，并展示了我们的模型通过多跳关系推理可以发现更准确的关系。

    Feb, 2019

  • MR-GNN：用于预测结构化实体交互的多分辨率和双图神经网络

    本文提出了 MR-GNN，这是一种具有多分辨率结构的图神经网络，能够从不同尺度的数据邻域中提取特征以及提取成对图之间的交互特征，相较于现有方法，显示出更好的预测效果。

    May, 2019

  • GraphRARE：强化学习增强的图神经网络与相对熵

    该论文介绍了一种基于节点相对熵和深度强化学习的通用框架 GraphRARE，以增强图神经网络的表达能力，并通过优化图的拓扑结构实现节点分类和图拓扑的优化。

    Dec, 2023

  • 重正化图神经网络

    该论文提出了一种新的方法，即将重整化群理论应用于设计一种新颖的图重连策略，以提高图神经网络在图形相关任务上的性能，结果表明这种方法的有效性和其挖掘各种系统固有复杂性潜力的能力。

    Jun, 2023

  • 学习图神经网络中的图网络

    本篇论文提出了一种新的图形神经网络 GL-GNN，通过学习关系的图形和选择重要数据特征以解决未知图形、节点具有嘈杂特征和图形含有噪声连接等三个问题，并在多个数据集上与基线方法进行对比， 能够选择重要特征和图形边缘。

    Oct, 2022

  • 利用关系嵌入减少图神经网络中的过度平滑

    本文提出了一种使用节点嵌入关系明确缓解图神经网络（GNNs）中超平滑问题的新方法。通过在真实数据集上进行试验，表明利用节点嵌入关系使得 GNN 模型如 Graph Attention Network 对超平滑的鲁棒性更强，并且在更深的 GNNs 下取得更好的性能。我们的方法可以与其他方法结合使用，以获得最佳性能。

    Jan, 2023

  • 社交推荐的图神经网络

    本文提出了一种图神经网络框架（GraphRec）用于社交推荐，该框架可以共同模拟两个图形和异构强度，并对用户 - 项目图形中的交互和观点进行联合捕获。

    Feb, 2019