Mar, 2022

使用图形概括扩展 R-GCN 训练

PDF
TL;DR本篇研究介绍了使用图形总结技术来压缩大型数据图形以优化内存使用，然后将该技术用于 Relational Graph Convolutional Networks 的训练中，并通过在 AIFB、MUTAG 和 AM 数据集上的实验证明，使用图形总结技术进行训练可以获得与使用原始图形相当或更高的准确性。
relational graph convolutional networksgraph summarizationinferencememory optimizationdataset
发现论文，激发创造
  • 用图卷积网络建模关系型数据

    我们介绍了关系图卷积网络 (R-GCNs) 并将它们应用于标准的知识库补全任务，包括链接预测和实体分类。R-GCNs 旨在应对实际知识库中高度多关系数据的特点，我们证明了它们作为一个独立模型在实体分类方面的有效性，并进一步证明，通过在关系图中累积多个推理步骤的编码器模型来丰富解码器模型，可以极大地提高因子分解模型 (例如 DistMult) 在链接预测方面的表现 (在 FB15k-237 上的表现提高了 29.8%)。

    Mar, 2017

  • 基于图神经网络的多文档摘要

    本文提出了一种神经多文档自动摘要（MDS）系统，该系统采用句子关系图，利用图卷积网络（GCN）在关系图上执行多层次传播，从而生成高层次的句子特征并进行重要性评估，然后采用贪婪启发式方法提取显著句子。通过在 DUC 2004 上的实验，证明了结合句子关系和深度神经网络表征的优势。该模型优于传统的基于图的提取式方法和不包含图的基础 GRU 序列模型，并且在多文档自动摘要系统方面表现出了竞争力。

    Jun, 2017

  • 图形摘要的可扩展近似算法

    本文提出了一种有效的随机算法来计算图形摘要，旨在最小化重构误差，使用加权采样方案来合并顶点，提供算法运行时间的分析上限和得分计算的近似保证，并在几个真实世界图形上测试了算法以证明摘要的质量和与现有算法的比较，并使用摘要来回答有关原始图形的几个结构查询并报告其准确性。

    Jun, 2018

  • 简洁图压缩

    通过简化图卷积网络在图浓缩过程中的度量对齐方法，提出了一种简化的图浓缩方法，该方法在性能表现上与现有方法相当，并且在速度上能够实现高达 10 倍的加速。

    Mar, 2024

  • SSumM：稀疏化大规模图的摘要

    SSumM 是一种基于最小描述长度原理的可扩展的图形摘要算法，能够合并节点和稀疏的摘要图，达到更好的压缩率和更小的重构误差。与现有方法相比，SSumM 更简明、更准确、更可扩展。

    Jun, 2020

  • RobGC：走向强大的图压缩

    图神经网络、图压缩、鲁棒图压缩、训练图、图结构噪声

    Jun, 2024

  • 图神经网络的图压缩算法

    本篇研究提出并研究了图卷积神经网络 (GNNs) 的图压缩问题，旨在将原始大图压缩成小型合成图以提高神经模型训练的时间性能，通过优化梯度匹配损失和设计一种策略同时压缩节点特征和结构信息，有效地将不同图数据集压缩成信息丰富的较小图并将其用于训练各种 GNN 体系结构，测试结果在 Reddit 上可达到 95.3％，在 Flickr 上可达到 99.8％，在 Citeseer 上可达到 99.0％，同时将其图的尺寸缩小了 99.9％以上。

    Oct, 2021

  • R-GCN: R 可以代表随机

    本文介绍了 “随机关系图卷积网络” 的方法，该方法相比 “关系图卷积网络” 表现出色，其中重要的贡献在于信息传递而非学习得到的权重。

    Mar, 2022

  • 大规模图训练的全面研究：基准测试和重新思考

    本文通过提供大规模图训练不同的架构和贴切的评估方法，在分析它们的优点和缺点后，介绍了一个名为 EnGCN 的新的集成训练方式。

    Oct, 2022

  • 图形压缩：一项调查

    对图形凝聚进行了全面而深入的研究，提出了 GC 的四个关键评估标准，并详细讨论了优化策略和凝聚图生成这两个关键组成部分，同时介绍了 GC 在各领域的应用和未来研究中的挑战与观点。

    Jan, 2024