Dec, 2021

适应传播机制的强力图卷积网络，用于同构性和异构性

PDF
TL;DR本文提出了一种新的传播机制，可以智能地根据同类和异类节点之间的同质性或异质性自动更改传播和聚合过程，并基于拓扑和属性信息学习同质性度量方法，以刻画不同类别节点之间的相似度，在七个现实世界数据集上实验表明该方法优于现有方法。
graph convolutional networkshomophilyheterophilypropagation mechanismrepresentation
发现论文，激发创造
  • 基于区块建模引导的图卷积神经网络

    本文介绍了将块建模引入图卷积网络（Graph Convolutional Network，GCN）框架中，以实现块引导分类聚合，从而使 GCN 的传播和聚合机制适用于同质性和异质性网络。通过将块建模纳入聚合过程，GCN 能够根据其同质性程度有区别地聚合同质性和异质性邻居的信息，并在异质性数据集上表现出优异的性能。

    Dec, 2021

  • 具有异质性的图神经网络

    本研究提出了 CPGNN 框架，它使用可解释的兼容性矩阵来建模图中异相性（heterophily）或同相性（homophily）水平，并证明了该框架在更现实和具有挑战性的实验设置下比以前的作品要有效。

    Sep, 2020

  • 同赋关系对于图神经网络的必要性？

    本研究发现传统的 GCN 比使用新架构的 GNN 在特定条件下在某些常用异质图上表现更好，证实了同质性不是良好 GNN 性能的必要条件。

    Jun, 2021

  • 重新审视异质性对图神经网络的影响

    本文通过重新评估广泛使用的同质性度量，并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法，并证明了 local diversification operation 可以有效解决一些有害的异质性情况，然后提出了 Adaptive Channel Mixing（ACM）框架来自适应地利用聚合，多样性和标识通道，从而从多样化的节点异质性情况中提取更丰富的局部信息。经过 10 项基准节点分类任务的评估，ACM-augmented 基线始终实现了显着的性能提升，超过大多数任务上的最新 GNN，而不会带来显着的计算负担。

    Oct, 2022

  • 图神经网络中超越同构性：现有限制与有效设计

    该研究通过节约和邻居嵌入、高阶邻居和中间表示的结合，设计出一种草图神经网络（H2GCN），并通过实验表明其在半监督节点分类任务下，具有比传统模型更高的预测准确率，尤其对于异质性网络（即一对连接的节点可能具有不同的类别标签和不同的特征）表现更出色。

    Jun, 2020

  • 同一问题的两个方面：图卷积神经网络中的异质性和过度平滑

    通过对节点进行度量和异质性分级，我们成功解释和预测了 GCNs 的过度平滑和异质性问题，并提出了结构和特征基础的边缘校正策略来处理这两个问题。

    Feb, 2021

  • 自适应传播图卷积网络

    本文提出了一种自适应传播的图卷积网络（AP-GCN），通过节点自适应的通信步数和交换协议来平衡通信和精确度的关系，实现了优秀的图数据推断表现。

    Feb, 2020

  • PC-Conv：融合同质性与异质性的双重过滤

    提出了一种两重过滤机制来提取异态图里的同质性和同态图里的不同质性，其中使用了扩展图热方程来进行异态聚合，并介绍了一个强大的 PCNet 图卷积方法，通过该方法在节点分类任务上展现出了有竞争力的性能。

    Dec, 2023

  • 图卷积神经网络中的转移熵

    基于 Transfer Entropy 的策略可解决 Graph Convolutional Networks 中的过度平滑和节点关系属性的利用两个重要挑战，并通过使用异质性和度信息作为节点选择机制以及基于特征的 Transfer Entropy 计算来提高 GCN 模型的分类准确率，但需要考虑计算复杂度。

    Jun, 2024

  • 图上自适应特征传播：超越低通滤波器

    提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

    Mar, 2021