PathSAGE: 随机路径采样的空间图注意力神经网络
本文提出了一种基于 Shortest Path Graph Attention Network (SPAGAN) 的 GCN 模型,通过路径级别的关注能够更好地探索图结构,进一步将来自远邻的信息有效地聚合到中心节点,相较于基于节点的 GCN 方法在多个标准数据集的下游分类任务上取得了卓越的表现。
Jan, 2021
提出了 Spatial Graph Convolutional Network (SGCN) 来改进 Graph Convolutional Networks (GCNs),SGCN 利用了空间特征来有效地学习从自然定位的图形中,经过实验证明,SGCN 优于现有的图形方法在图像分类和化学任务上的表现。
Sep, 2019
本文中,我们提出了一种新颖的结构感知卷积网络 (SACN),它综合了 GCN 和 ConvE 两种方法,其中,WGCN 使用可学习的权重来聚合邻居节点信息,实现了更准确的图节点嵌入表示;而 Conv-TransE 则使得 ConvE 具有了一定的可解释性,并保持了 ConvE 的预测准确性。我们在标准数据集 FB15k-237 和 WN18RR 上进行了实验,结果表明,与最先进的 ConvE 相比,我们的方法 HITS@1、HITS@3 和 HITS@10 指标上分别提高了 10% 左右。
Nov, 2018
本研究提出了一种名为 GCN-SA 的新型图学习框架,它具有出色的节点级表示学习的泛化能力,并且通过自注意机制和改进的转换器块实现了对长程依赖关系的捕捉,从而使其能够在具有不同程度同质性的图上进行表示学习。
Mar, 2024
本篇论文介绍了如何将残差 / 稠密连接和扩张卷积等深度卷积神经网络中的概念应用于图卷积网络中,从而成功地训练出多达 112 层的深度图卷积网络,该方法在多个数据集和任务中展示出了非常良好的表现。
Oct, 2019
本文提出了 pathGCN 方法,通过在图上使用随机路径来学习空间算子,以更好地表达 Graph Convolutional Networks,避免过度平滑现象,并取得了新的最先进表现。
Jul, 2022
GraphSAINT 是一种基于图采样的归纳学习方法,通过采样训练图形而不是节点或边来构建小批量,以提高训练效率和准确性;在五个大图上表现出优越的性能,实现了 PPI(0.995)和 Reddit(0.970)的新的最先进的 F1 分数。
Jul, 2019
本篇论文介绍了用时间演化图对现实中的网络进行建模,并研究了时间演化图中路径分类问题的应用,设计了一种新颖的深度神经网络 LRGCN 和路径表示方法 SAPE,实验结果表明 LRGCN 在路径预测方面比其他竞争方法更有效,SAPE 在路径表示方面也表现出显著的效果。
May, 2019