WWWMar, 2022

GRAND+: 可扩展的图形随机神经网络

PDF
TL;DR该论文提出了一种可扩展和高性能的图嵌入算法 GRAND+，并包含了推广前推（GFPush）算法和置信一致性损失来提高其准确性和泛化能力。实验结果表明，GRAND + 可以扩展到大型图并比现有的可扩展 GNNs 具有更少的运行时间和更高的准确性。
graph neural networkssemi-supervised learninggrand+gfpushconfidence-aware consistency loss
发现论文，激发创造
  • 图随机神经网络用于图半监督学习

    提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架，通过设计随机传播策略来进行图数据增强，并利用一致性正则化优化不同数据增强下未标记节点的预测一致性，实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上，并且缓解了过度平滑和非鲁棒性问题，展现了比现有 GNN 更好的泛化行为。

    May, 2020

  • GRAND: 图神经扩散网络

    用连续扩散过程作为图上深度学习的方法，将 Graph Neural Networks (GNNs) 视为潜在 PDE 的离散化，从而得到了一种新的 GNN 模型，该模型采用时空算子离散化，解决了图学习模型中的深度、平滑过渡和瓶颈等问题。通过稳定性分析，可以得到线性和非线性版本的 GRAND 模型，这些模型能够在许多标准图标准测试中取得很好的效果。

    Jun, 2021

  • 双向传播推进的可扩展图神经网络

    本文介绍了一种名为 GBP 的可扩展的 GNN，使用本地化的双向传播过程来实现高效的训练与测试，理论分析表明其是第一种在预计算和训练阶段都实现了次线性时间复杂度的方法，并在大规模图上取得了最先进的性能。

    Oct, 2020

  • 基于图循环注意力网络的高效图生成

    本文提出了一种名为 GRAN 的新型图形回归注意力网络的有效且表达性强的深度生成模型，能够生成高质量大规模图形，同时与之前的 RNN-based 生成模型相比，GRAN 使用了 GNN 和注意力机制更好地捕捉到已生成和待生成部分的条件之间的自回归关系，并在输出分布上采用伯努利分布的混合来捕捉区块内的生成边之间的相关性，同时在处理节点顺序方面也提出了一些新的解决方法。

    Oct, 2019

  • 灵活表示多模块图神经网络以实现更好的泛化

    本文研究了图神经网络的可扩展性和推广性，并提出了灵活的 GNNs 框架，通过多种节点更新函数和内部循环优化，使网络能够灵活适应新图并在多项推理任务中提高泛化能力。

    Sep, 2022

  • 使用近似的 PageRank 扩展图神经网络规模

    本研究提出 PPRGo 模型，利用有效的 GNN 信息扩散近似，以显着提高速度并保持最先进预测性能。相比其他 GNN 方法，PPRGo 不仅更快，而且天然可扩展，在 Google 的大规模节点分类问题方面具有实际应用价值。

    Jul, 2020

  • 半监督分类的图分区神经网络

    本文提出了一种名为 GPNN 的图划分神经网络，通过在小子图中进行本地传播和在子图之间进行全局传播来处理极大的图形。经过大量实验，实验结果表明，GPNN 在图形半监督分类任务中表现优异或与现有算法相当，且使用更少的传播步骤也能够达到标准 GNN 的性能。

    Mar, 2018

  • 使用图神经网络创造逼真的合成社交网络

    本研究评估了使用图神经网络（GNN）生成社交网络的潜力，发现 Gated Recurrent Attention Network（GRAN）比基准规则生成方法 Recursive-MATrix（R-MAT）更能复制结构动态，但计算成本略高。

    Dec, 2022

  • 可扩展的时空图神经网络

    本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

    Sep, 2022

  • 用于大规模图形生成的分层 GNN

    该研究提出了一种名为 HIGGS 的模型无关框架，使用具有条件生成能力的 GNN 模型以分辨率层次结构采样图来生成具有大规模且具有现实局部结构的图。

    Jun, 2023