本研究提出一种使用特殊算法和线性代数工具来分析图神经网络 (GNNs) 的表征能力的方法,证明 NNG 可以优于 Weisfeiler-Lehman 算法,同时在图同构和图分类等数据集上进行充分实验证明了这种新型的 GNN 架构更具表达力的特点。
May, 2022
本研究探讨了 Markov 逻辑网络和图神经网络的组合,并使用图神经网络进行 MLN 中的变分推理。研究提出了一种名为 ExpressGNN 的 GNN 变体,并通过多个基准数据集的广泛实验表明,ExpressGNN 在有效和高效的概率逻辑推理方面具有领先优势。
Jan, 2020
本文介绍了图神经网络(GNNs)的设计管道,详细讨论了其各个组成部分的变体,对其应用进行了系统分类,并提出了四个开放性问题供未来研究。
Dec, 2018
本研究探讨使用关系学习算法如何进行逻辑推理,在设计了一套基于一阶逻辑的基准测试套件 GraphLog 后,我们使用图神经网络 (GNN) 来进行评估,并发现模型的泛化和适应能力强度受到训练中遇到的不同逻辑规则的多样性的影响。
Mar, 2020
图神经网络 (GNN) 是用于图的深度学习架构,其可表达性可以由具有计数的一阶逻辑的两个片段来描述。在非均匀设置中,两个 GNN 版本具有相同的可表达性,但在均匀设置中,第二个版本更为表达力强。
Mar, 2024
通过在算法空间中训练 Graph Neural Networks 来解决基于图结构的问题,使用基于最大化的信息传递神经网络来实现离散决策,同时实现了任务迁移并提升学习效果。
Oct, 2019
本文研究了图神经网络以及其理论背景并将其与 $1$-WL 算法相对比,提出了 $k$-dimensional GNNs 这一扩展方法,证明了它在处理社交网络和分子图像等高阶结构方面的有效性。
Oct, 2018
提出了一种模态逻辑,在其中计数模态出现在线性不等式中。将每个公式转换为等价的图神经网络(GNN)。证明了广泛类别的 GNN 可以高效地转换为公式,从而明显改进了关于 GNN 的逻辑表达能力的文献。证明了可满足性问题的 PSPACE 完备性。这些结果将常规逻辑方法和 GNN 及其属性的推理前景结合起来,尤其适用于 GNN 查询、等价性检查等应用。证明了这种自然问题可以在多项式空间内解决。
Apr, 2024
本文从逻辑表达式的角度对图神经网络进行了理论分析,实验结果验证了我们提出的实体标记方法的有效性,并揭示了基于标记技巧的最先进的方法为什么很有效。
Mar, 2023
本文研究了神经算法推理与图神经网络的最新进展,特别关注神经网络的动态规划以及范畴论和抽象代数,验证了它们之间的内在联系,得到在边缘任务上更坚实的 GNN 体系结构,并在 CLRS 算法推理基准测试中证明了实证结果。
Mar, 2022