Jan, 2022

KerGNNs: 基于图核的可解释图神经网络

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 核图卷积神经网络

    本文旨在利用图形核函数解决图形数据处理问题，通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习，最终在十个基准数据集的七个中达到了优异的表现。

    Oct, 2017

  • 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

  • 用于图结构数据的卷积核网络

    本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简单的模型解释。

    Mar, 2020

  • 自适应核图神经网络

    该研究提出了一种新型的自适应核图神经网络框架（AKGNN），通过设计一种数据驱动的图内核学习机制来解决预定义核对于不同图之间间的泛化问题，同时通过参数化技巧和全局输出函数增强其表达能力，该方法在公认的基准数据集上展示了优异的性能表现。

    Dec, 2021

  • KGNN：基于核网络的半监督图分类

    本文研究了半监督图分类问题及其解决方法的一种KGNN模型，在该模型中，图神经网络（GNN）结合基于内存的核网络进行分类，通过学习图表示并使用图内核来有效地使用标记的图和未标记的图。实验证明，KGNN比竞争基线方法表现出更好的性能。

    May, 2022

  • 一种简单而有效的图分类方法

    通过将图数据样本转换为编码树以及使用分层传递机制，提出了一种树内核和卷积网络来实现图分类，其时间复杂度低于其他图神经网络，同时验证表明其在性能和计算资源方面均优于其他方法。

    Jun, 2022

  • 自监督与核图神经模型相遇：从架构到增强

    我们改进了核图神经网络(KGNNs)的设计与学习，通过扩展其算法形式并引入自我监督方法，提出了一种更灵活且结构保持的图数据增强方法(latent graph augmentation)，实验证明我们的模型在图分类任务上达到了与先进方法相媲美甚至优于其的竞争性性能。

    Oct, 2023

  • 图分类与图神经网络：优化、表示与归纳偏差

    本研究针对图神经网络（GNNs）在表示与优化之间的差异提出了新的见解，指出现有的等价性研究忽视了优化问题。通过理论证明和实验验证，揭示了GNNs在图分类任务中存在的隐含归纳偏差，并展示了如何通过基于注意力的架构融入领域知识以更有效地识别一致子图。

    Aug, 2024

  • 探讨图表示中的一致性：从图核到图神经网络

    本研究解决了图神经网络（GNN）在捕捉图之间一致性相似性关系方面的问题。我们提出了一种新颖的方法，通过比较图核方法与GNN的消息传递过程，提出了一种一致性损失，以确保不同层次的图表示之间的相似性一致性，从而显著提升图分类性能。研究结果表明，这种一致性在图表示学习中至关重要。

    Oct, 2024