Oct, 2021

从星际到子图：运用局部结构意识提升任何 GNN

PDF
TL;DR本文提出了一种称为 GNN-AK 的框架，旨在将任何 MPNN 提升为具有更高表达能力的模型，通过扩展 MPNN 中的局部聚合算法到更一般的子图模式，以提高实用性能，同时维持可扩展性；这种方法被证明比常见的 Weisfeiler-Lehman 同构测试更具表达能力，可以用于多个图机器学习任务中.
message passing neural networksgraph neural networkexpressivenesssubgraph patternsgnn-ak
发现论文，激发创造
  • 具有图形原始信息的提升消息传递神经网络

    本文研究如何全面利用信息，从理论和实践上提高信息传递神经网络的表现力和可推广性，并提出一种新的名为 INGNN 的图神经网络模型，针对节点分类任务，与目前最先进的方法相比，实验证明其优越性（平均排名 1.78）。

    Oct, 2022

  • 等变子图聚合网络

    提出了一种名为 Equivariant Subgraph Aggregation Networks（ESAN）的新框架，它可以代表每个图形并将其处理为一个经过适当等变架构处理的子图集合，从而提高了图形信号处理的表现力。

    Oct, 2021

  • 通过匿名行走图核函数理论上提升图神经网络性能

    本文提出基于匿名行走和图核映射的 GSKN 图神经网络模型，理论证明其在区分图结构方面有更强的能力，并在实验证明了其胜过多个基线模型。

    Apr, 2021

  • 图神经网络的从局部到全局视角

    该论文从局部到全局的角度，介绍了图神经网络的两种类型 —— 局部信息传递神经网络和全局图变换器，并对不变图网络的收敛特性进行了研究；连接局部信息传递神经网络和全局图变换器；使用局部信息传递神经网络实现了图缩减等全局建模中常用的子程序。

    Jun, 2023

  • 让我们达成一致：比较基于消息传递框架下的图卷积网络

    本文将图上定义的神经网络呈现为信息传递神经网络（MPNN），通过研究不同类别的这些模型的区别能力，探讨它们的识别能力，研究传统的图神经网络和卷积图神经网络对顶点进行特征标注的能力的界限，并使用 Weisfeiler-Lehman 算法对 MPNNs 的区分能力进行了上下界的研究。

    Apr, 2020

  • 概率重连的消息传递神经网络

    利用最近在精确和可微分的 k 子集采样中的进展，我们设计了一种概率重连的消息传递图神经网络（PR-MPNNs），该网络学习在省略不太有益的边的同时添加相关边。首次，我们的理论分析探索了 PR-MPNNs 如何增强表达能力，并且我们确定了它们优于纯随机方法的精确条件。经验证实，我们的方法有效地缓解了如过度压缩和预测能力不足等问题。此外，根据现有的真实世界数据集，我们的方法在预测性能上与传统的 MPNN 模型和最近的图变压器架构相比表现出有竞争力或更好的性能。

    Oct, 2023

  • 通过注入上下文化的子结构信息来提升 K - 跳消息传递 GNNs 的表现力

    本研究探讨了基于图神经网络的 K-hop 传递模型的局限性，并提出了子结构编码函数，以提升其表达能力，并注入情境化子结构信息增强表达能力。实证结果表明，该方法在多个数据集上取得了新的最优表现或可比较的性能。

    Jun, 2024

  • 通过边级别自我网络编码改进子图 - GNNs

    通过提供额外的节点和边缘特征或扩展消息传递格式，我们提出了一种新颖的用于在图上学习的边缘级自我网络编码，可以提升消息传递图神经网络（MP-GNNs）的能力。理论上，该编码比基于节点的子图 MP-GNNs 更具表现力。在四个基准测试和 10 个图形数据集的实证评估中，我们的结果在表现力、图形分类、图形回归和接近性任务方面与之前的基准线相匹配或有所提高，同时在某些实际环境中减少了 18.1 倍的内存使用。

    Dec, 2023

  • 有序子图聚合网络

    本文提供了一种统一的方法来研究增强次图 GNN 的架构，包括理论框架和对子图增强 GNN 可表达性的已知结果进行扩展，同时研究了三种用于学习采样子图的方法，通过实验证明了数据驱动架构可以提高标准基准数据集的预测精度，同时减少计算时间。

    Jun, 2022

  • KerGNNs: 基于图核的可解释图神经网络

    本文提出了一种新的 GNN 框架，称为 “核图神经网络”，将图核函数集成到 GNN 的消息传递过程中，通过卷积滤波器使用可训练图作为图过滤器与子图相结合来更新节点嵌入，并显示 MPNN 可以视为 KerGNN 的特殊情况，该方法在多个图相关任务中表现出具有竞争力的性能，并提高了模型可解释性与传统 GNN 模型相比。

    Jan, 2022