Nov, 2021

图神经网络节点分类的简化方法

HTML
PDF
TL;DR本研究提出了一种特征选择Graph Neural Network（FSGNN）模型，通过解耦节点特征聚合步骤和深度，使用softmax作为聚合的特征的正则化器和L2规范化技术，实现了对不同聚合的特征的作用进行实证分析，最终在9个基准数据集上创建了一种简单而浅的模型，取得了比现有GNN模型更好的性能。
发现论文，激发创造
  • 图神经网络的能力有多强？

    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

  • 强大的图神经网络是否必要？对图分类的解剖

    通过对图神经网络的线性化，本文将其拆成了基于图滤波和基于集合函数的两个部分，并发现在图滤波时采用线性结构，而在集合函数时采用非线性结构，得到了同样好的结果，从而提出了更简单且高效的建模方案。

    May, 2019

  • k-hop 图神经网络

    本文介绍一种更有效的图神经网络——k-hop GNN，该网络可以从一个节点的k-跳邻域中汇总信息并识别基本图属性，可用于节点分类和图分类任务，并在标准数据集上取得较好或可比的表现

    Jul, 2019

  • 图神经网络中节点特征

    本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

    Nov, 2019

  • 节点分类任务中图神经网络公平比较的流程

    本研究设计了一套标准、可重复的基准测试设置，并使用多个小型和中型数据集以及7个不同模型对其进行评估，结果表明模型层数的增加并不总是能提高性能，结合节点2vec和拉普拉斯特征向量的数据增强技术可以有效提高分类任务表现。

    Dec, 2020

  • 学习具有正节点和未标记节点的图神经网络

    本文提出了一种基于长短距离注意力模型的图神经网络框架，用于解决标注有限以及捕捉图中长距离关系的问题，并应用于 PU 学习与节点分类任务中，实验结果证明了算法的有效性。

    Mar, 2021

  • 简单网络架构优化图神经网络

    本文提出了一种基于图神经网络的特征选择方法，通过解耦节点特征聚合和网络深度，采用softmax和Hop-Normalization技术，使得模型在节点分类任务中取得了64%以上的精度，其学习到的精选参数可以用于研究预测任务中特征的重要性，同时在大型图中拥有可扩展性。

    May, 2021

  • 图神经网络结构差异的解密：一个大小适合所有问题么？

    本文研究了GNN在同构和异构图中节点分类性能的差异。我们提出了一种非i.i.d PAC-Bayesian概率界，并通过特征聚合距离和同质比异质性差异解释了性能差异，并证实了较深的GNN的有效性。此外，我们发现了图形分布偏移问题的一个新因素，并提出了相应的新场景。

    Jun, 2023

  • TinyGraph: 图神经网络的特征和节点聚合

    用TinyGraph框架在大规模图上同时压缩特征和节点，通过匹配梯度实现特征压缩并保留关键信息，在减少节点和特征数量的同时仍能保持原始测试准确率的大部分。

    Jul, 2024

  • 图神经网络的稀疏分解

    本研究针对图神经网络（GNN）在推理成本高的问题，提出了一种稀疏分解的方法，通过减少聚合时纳入的节点数量来降低计算复杂度。这种方法能够有效提高模型的推理速度，同时保持与传统GNN模型相似的准确性，具有重要的应用潜力。

    Oct, 2024