Jun, 2021

超图边表示学习

PDF
TL;DR该研究提出了一种基于双超图转换的边表示学习框架，将图中的边转换为超图的节点，并应用基于消息传递的技术进行边的表示学习和综合，并将其应用于图表示和分类中。结果表明该方法优于现有的图表示和汇聚方法。
graph neural networksedge representationhypergraphmessage-passinggraph classification
发现论文，激发创造
  • 边缘依赖节点分类的共表示神经超图扩散

    基于超图扩散运算符，开发了 CoNHD 模型来解决边依赖节点分类任务的限制，通过扩展超图扩散算法来模拟节点 - 超边的相互作用，实现多输入多输出的函数模型。

    May, 2024

  • 从异质性学习：超图的动态学习框架

    本文提出了一种名为 LFH 的超图学习框架，能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习，在多个数据集上的实验证明其有效性。

    Jul, 2023

  • HNHN: 具有超边神经元的超图网络

    该论文提出了一种基于超图卷积网络的新型框架 HNHN 来进行超图表示学习，其中包括非线性激活函数和灵活的归一化方案，实验结果表明与现有方法相比，在真实世界数据集上表现更好，具有更高的分类精度和速度。

    Jun, 2020

  • 超图神经网络

    本研究提出了一种超图神经网络 (HGNN) 框架，可以通过超图结构编码高阶数据相关性，并使用超边卷积操作处理数据相关性，以有效地进行数据表示学习。实验结果表明，HGNN 方法优于最新的最先进的方法，并且可以处理现实世界中的复杂数据和多模数据。

    Sep, 2018

  • 深度图表示学习的综合调查

    本篇综述了目前深度图表示学习算法的最新研究进展，提出了现有技术的新分类法，并探讨了深度图表示学习的实际应用、前景及挑战方向。

    Apr, 2023

  • 超图节点边缘依赖标签的分类

    本文提出了一个新问题，分类了边依赖节点标签。为了解决这个问题，我们提出了一种新的超图神经网络 WHATsNet，它可以根据超边的不同，反映参与节点的不同重要性，并在多个任务中显示其优越性。

    Jun, 2023

  • 动态图上的进化学习

    本文提出一种新的算法 —— 动态图形学习，旨在在动态图形中共同学习图形信息和时间信息，并利用梯度元学习来学习更新策略，在快照上具有比 RNN 更好的泛化能力，能够训练任何基于消息传递的图神经网络以增强表示能力。

    Nov, 2021

  • 深度超图结构学习

    为优化基于超图的数据表示学习中的超图结构，我们提出一种名为 DeepHGSL 的深度学习超图结构学习的通用范式，并引入信息瓶颈原理来构建损失函数，以减少超图结构中的噪声信息，从而提取更加鲁棒的特征表达，在四个基准数据集上的实验结果表明了模型的有效性和鲁棒性。

    Aug, 2022

  • 稀疏分层图分类器的研究

    本文探讨了如何在图形分类中利用图卷积网络（graph convolutional networks）进行节点嵌入（node embeddings）、不可区分形式学习（representation learning）和不可区分形式学习（differentiable graph coarsening），并且没有牺牲稀疏性，为未来基于图形的神经网络研究指出了重要方向。

    Nov, 2018

  • 超边交互感知的超图神经网络

    我们提出了一种名为 HeIHNN 的超边交互感知超图神经网络，旨在捕捉超边之间的相互作用，并引入了一种新的机制来增强超边和节点之间的信息流动。经过广泛的实验，在真实世界的数据集上，HeIHNN 相比现有方法表现出具有竞争力的性能。

    Jan, 2024