图神经网络是动态规划程序员

Mar, 2022

Graph Neural Networks are Dynamic Programmers

Andrew Dudzik, Petar Veličković

TL;DR本文研究了神经算法推理与图神经网络的最新进展，特别关注神经网络的动态规划以及范畴论和抽象代数，验证了它们之间的内在联系，得到在边缘任务上更坚实的 GNN 体系结构，并在 CLRS 算法推理基准测试中证明了实证结果。

Abstract

Recent advances in neural algorithmic reasoning with graph neural networks (GNNs) are propped up by the notion of algorithmic alignment. Broadly, a neural network will be better at learning to execute a reasoning

neural algorithmic reasoning graph neural networks dynamic programming category theory clrs algorithmic reasoning benchmark

发现论文，激发创造

神经网络能够推理什么？

本文开发了一个框架来描述神经网络适用于哪些推理任务，并利用算法结构与相关推理过程的匹配程度推导了样本复杂度的界限，以解释一些模型在实践中的成功以及他们的局限性。

May, 2019

图形算法的神经执行

通过在算法空间中训练 Graph Neural Networks 来解决基于图结构的问题，使用基于最大化的信息传递神经网络来实现离散决策，同时实现了任务迁移并提升学习效果。

Oct, 2019

图神经网络：方法和应用综述

本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

Dec, 2018

动态图神经网络调查

图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

Apr, 2024

流式图神经网络

本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。

Oct, 2018

深度均衡算法推理器

最近在神经算法推理方面的研究表明，图神经网络（GNN）可以学习执行经典算法。然而，这种方法始终使用了循环架构，其中每个 GNN 的迭代与算法的迭代相匹配。我们猜测并经验证，可以通过直接找到平衡点训练网络来解决算法问题，而不需要将每个 GNN 迭代与算法的步骤相匹配。

Feb, 2024

使用循环图神经网络学习图算法

针对图状数据的学习问题，该研究提出了一种基于递归架构的图神经网络算法，其关键在于使用跳过连接、状态规则化和边缘卷积等三种技术以实现对小型图问题的端到端学习及大规模图问题的推广。实验证明该算法具有较高的推广能力。

Dec, 2022

有向无环图神经网络

本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

Jan, 2021

图神经网络的逻辑

本文旨在阐述图神经网络的表达能力可以通过组合 Weisfeiler-Leman 算法和有限变量计数逻辑来精确描述，这种对应关系甚至导致了高阶图神经网络与高维 WL 算法的相应。

Apr, 2021

递归算法推理

本研究提出了一种使用栈来增强图神经网络（GNNs）的方式和一种捕获中间算法轨迹的方法，以改进递归算法的算法对齐，从而提高对较大输入图的泛化性能。

Jul, 2023