WWWMar, 2022

曲率图生成对抗网络

PDF
TL;DR本文提出了一种在黎曼几何流形上使用的新型曲率图生成对抗网络方法 Curvature Graph Generative Adversarial Networks，通过利用连续的黎曼几何流形逼近离散数据结构以及从被包裹的正态分布中高效生成负样本，更好地保留了拓扑特性，并借助于具有不同拓扑特性的局部结构的叶齐曲率来应对拓扑异质性问题，实验证明该方法相对于现有最先进的方法在多项任务上表现出了显著的优越性和稳健性。
发现论文，激发创造
  • 基于模式感知的黎曼图神经网络及生成对比学习

    提出了所谓的 MotifRGC 模型，该模型使用了 Motif-aware Riemannian generative-contrastive learning 方法，以捕捉构建出的曲率多重流形中的 Motif 规律，无需外部标签即可学习节点表示，并取得了良好的实证结果。

    Jan, 2024

  • 双曲曲率图神经网络

    本研究探索图形拓扑的离散曲率和嵌入空间的连续全局曲率的属性，提出了一种基于超边曲率感知的图神经网络（HCGNN），该网络利用离散曲率引导周围消息传递，并同时自适应调整连续曲率。在节点分类和链接预测任务上进行了广泛的实验，结果表明所提出的方法在高超曲线图数据和低超曲线图数据中均优于各种竞争模型。案例研究进一步证明了离散曲率在发现本地集群和缓解超曲线几何引起的畸变方面的有效性。

    Dec, 2022

  • GraphGAN: 生成对抗网络用于图形表示学习

    该论文提出了 GraphGAN，一种结合生成模型和判别模型的图形表示学习框架，其中两个模型玩一个博弈论最小最大化游戏来提高它们的性能，同时还提出了一种新的图形 softmax 来克服传统 softmax 函数的局限性。在真实世界的数据集上广泛实验表明，GraphGAN 在各种应用中都比现有技术取得了实质性的收益，包括链接预测、节点分类和推荐。

    Nov, 2017

  • 曲率如何增强框架图卷积神经网络的适应能力

    本文介绍了一种通过离散图 Ricci 曲率来增强图神经网络（GNN）的方法，并验证了在 GNN 中引入曲率信息可以缓解过度平滑等计算问题，并且基于曲率的图边丢弃算法进一步提高了模型对异质图的适应性，在同质图和异质图数据集上均优于现有基准模型，证明了在 GNN 中引入图几何信息的有效性。

    Jul, 2023

  • 自监督的混合曲率图神经网络

    本文提出了一种新颖的自监督混合曲率图神经网络 (SelfMGNN)，通过多个 Riemannian 组件空间的笛卡尔积构建了混合曲率空间，并设计了分层注意机制来学习和融合这些组件空间中的表示，以解决图表示学习中现有方法对图结构的复杂性和标签数据的依赖问题，并且通过对比实验证明了 SelfMGNN 的性能优于现有的基准模型。

    Dec, 2021

  • GAGAN: 几何感知生成对抗网络

    该论文介绍了一种新的图像生成方法，采用几何形状模型将几何信息纳入生成过程，生成出具有任意面部属性的逼真人脸图像。

    Dec, 2017

  • 深度生成图像模型的几何学及其应用

    本文基于几何学的角度探究 GAN 潜在空间的性质和图像变异机制，并提出一种基于网络结构的方法计算 GAN 图像多丽安流形的黎曼度量，这一方法可以有效地优化潜在空间的优化等应用，并便于解释变换维度。

    Jan, 2021

  • 基于曲率增强的图卷积网络用于生物分子相互作用预测

    本文提出了一种曲率增强的图卷积神经网络，使用 Ollivier-Ricci 曲率为节点邻域的特征聚合赋权，用于生物分子相互作用预测，结果显示该模型表现优异。

    Jun, 2023

  • 双曲线图神经网络

    该研究的主要目的是学习图结构数据，提出了一种基于黎曼流形的新型图神经网络架构，并开发了一种可扩展的算法来模拟图的结构特性，并比较欧几里得和双曲几何。在实验中，我们证明了双曲 GNNs 在各种基准数据集上可以带来实质性的改进。

    Oct, 2019

  • 曲率空间中的对比图聚类

    提出了一个新的端到端的对比式图聚类模型 CONGREGATE，通过构建一个理论上的异质曲率空间，并利用基于 Ricci 曲率的几何学图聚类方法，通过对比训练方法，成功地解决了图形聚类中的几何难点，并在真实世界中的图形上取得了最先进的成果。

    May, 2023