Jan, 2022

SMGRL: 可扩展的多分辨率图表示学习

PDF
TL;DR我们提出了一个可应用于任何现有 GCN 模型的可扩展多分辨率图表示学习 (SMGRL) 框架，通过学习多分辨率节点嵌入有效地捕获长和短距离依赖，并将其聚合以产生捕获高质量节点嵌入的优化算法，同时提高分类准确度，而不会产生高计算成本。
graph convolutional networksnode embeddingsmulti-resolutionscalable multi-resolution graph representation learningclassification accuracy
发现论文，激发创造
  • MR-GNN：用于预测结构化实体交互的多分辨率和双图神经网络

    本文提出了 MR-GNN，这是一种具有多分辨率结构的图神经网络，能够从不同尺度的数据邻域中提取特征以及提取成对图之间的交互特征，相较于现有方法，显示出更好的预测效果。

    May, 2019

  • 结构保持图表示学习

    提出了一种新型的结构保持的图表示学习方法（SPGRL），通过构建特征图对原始图进行对比，在保留全局拓扑结构信息的同时最大化整幅图和特征嵌入的互信息，该方法在简单噪声扰动下表现优异，且针对半监督节点分类任务具有很高的性能。

    Sep, 2022

  • 高效的基于子图的图表示学习算法与系统协同设计

    SUREL 是一种可伸缩的 subgraph-based graph representation learning（SGRL）框架，通过步行分解子图来构建和重用子图，从而实现减少子图提取的冗余和支持并行计算，相较于 SGRL 基线，SUREL 达到 10 倍的加速，而预测性能相当甚至更好；而与规范的 GNN 相比，SUREL 实现了 50％的预测准确度提高。

    Feb, 2022

  • 半监督学习中图卷积网络的深入洞察

    本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

    Jan, 2018

  • 基于关系的自监督图学习

    本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。

    Aug, 2022

  • 可变形图卷积网络

    本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

    Dec, 2021

  • 自构建图卷积网络用于语义标注

    提出了一种名为 Self-Constructing Graph (SCG) 的新型体系结构，利用可学习的潜变量直接从输入特征生成嵌入并自行构建底层图，从而自动获取来自航空图像中复杂物体的优化的非局部上下文图。通过自适应对角线增强方法和一个变分下限来优化 SCG，该下限由一个定制的图重构项和一个 Kullback-Leibler 分歧得到规则化项。SCG 在公开的 ISPRS Vaihingen 数据集上表现出有效性和灵活性，和纯 CNN 模型相比，在参数和计算成本上具有明显优势。

    Mar, 2020

  • 大规模可学习的图卷积网络

    通过使用可学习的图卷积层 (LGCL) 和子图训练方法，本论文解决了卷积神经网络在处理通用图像数据时的困难，提高了基于节点分类任务的准确率和效率。

    Aug, 2018

  • 强大图表示的重建

    本研究介绍了如何利用图重构技术来解决图神经网络架构存在的理论和实践问题，从而提高其表现力并实现应用于现实世界中的性能提升。

    Oct, 2021

  • 利用关系嵌入减少图神经网络中的过度平滑

    本文提出了一种使用节点嵌入关系明确缓解图神经网络（GNNs）中超平滑问题的新方法。通过在真实数据集上进行试验，表明利用节点嵌入关系使得 GNN 模型如 Graph Attention Network 对超平滑的鲁棒性更强，并且在更深的 GNNs 下取得更好的性能。我们的方法可以与其他方法结合使用，以获得最佳性能。

    Jan, 2023