嵌套图神经网络
本文提出了一种名为 Union Subgraph Neural Network 的图神经网络模型,通过注入从新类型的子结构中提取的邻居连接信息以有效地编码高阶连接性,该模型被证明在区分非同构图方面比 1-WL 更强大,并且在 17 个基准测试中表现出优异的性能,尤其是在现有模型的局部编码的基础上注入我们的局部编码,可以最多提高 11.09% 的性能。
May, 2023
本文提出了一种理论框架来分析图神经网络的表达能力和限制,并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构,实验验证了理论的发现,并取得了最先进的性能。
Oct, 2018
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
本文引入 Path Neural Network 模型来提高图表达的表达能力,实验证明该模型比 1-WL 算法更加强大,且在图分类和图回归任务中表现良好。
Jun, 2023
我们提出了一种被称为 Two-level GNN 的新型 GNN 框架,通过将子图级别信息与节点级别信息合并来克服现有 GNN 的局部置换不变性问题,并提出了一个基于动态规划算法的子图计数方法,实验证明 TL-GNN 优于现有 GNN,并实现了最先进的性能。
Jan, 2022
使用 SubGNN 模型对含有多个离散链接的生物医学数据集上的子图进行预测任务,通过神经路由机制,网络能够学习分离的子图表示,其中指定了三个信道以捕捉子图拓扑的不同方面,并在 8 个子图分类数据集上以及具有复杂拓扑结构和多个未连接组件的具有挑战性的生物医学数据集上优于基线模型 19.8%。
Jun, 2020
在节点分类的背景下,本文理论上证明了在超图上,大多数 HyperGNN 可以使用带有超图的加权团展开的 GNN 进行近似。通过加权团展开的 GNN,我们提出了一种简单高效的框架 WCE-GNN,用于超图节点分类,并在九个真实超图节点分类基准上的实验证明了 WCE-GNN 相比于最先进的 HyperGNN 具有更高的分类准确性,以及更好的内存和运行时效率。
Feb, 2024
该论文提出了一种新的框架,使用基于节点度数的门控机制动态地调整图神经网络的层数,从而增强信息聚合的能力并减少过度平滑,通过实验验证该模型在多个数据集上表现良好。
May, 2022
提出了一种基于 1-WL 和邻居之间的边缘考虑的 NC-1-WL 算法,实现了图同构测试,提高了图神经网络的可表达性;进一步提出了 NC-GNN 框架作为 NC-1-WL 的可微分神经版本,能够在各种基准测试中实现出色的性能。
Jun, 2022