DropMessage：图神经网络的随机丢弃统一化

Apr, 2022

DropMessage：图神经网络的随机丢弃统一化

DropMessage: Unifying Random Dropping for Graph Neural Networks

Taoran Fang, Zhiqing Xiao, Chunping Wang, Jiarong Xu, Xuan Yang...

TL;DR本文提出了一种新的随机删除方法 DropMessage，通过随意遮盖传递消息过程中所传递的关键信息，从而提供了一个通用框架。实验结果表明，DropMessage 方法在多任务和各种模型上表现出了效果和泛化能力，并显著减轻了过度拟合、过度平滑和非鲁棒性等问题。

Abstract

graph neural networks (GNNs) are powerful tools for graph representation learning. Despite their rapid development, GNNs also face some challenges, such as over-fitting, over-smoothing, and non-robustness. Previo

graph neural networks random dropping dropmessage over-fitting message-passing

发现论文，激发创造

DropGNN：随机删除提升图神经网络的表达能力

本文介绍了一种新的 Dropout Graph Neural Networks 方法，通过多次运行 GNN 并在每次运行中随机独立地删除一些节点，从而克服了标准 GNN 框架的局限性，并证明了该方法在区分 GNN 不能分开的各种图形邻域方面的可靠性和表达能力，并在实验中验证了其理论发现的表达能力和在已建立的 GNN 基准测试上的竞争力。

Nov, 2021

Message-Dropout: 多智能体深度强化学习的高效训练方法

本文提出了一种名为消息随机删除的新学习技术，以提高多智能体深度强化学习的性能，并针对两种应用场景进行了改进：1）在智能体之间允许直接消息通信的经典多智能体强化学习和 2）集中训练与分散执行。该技术可有效处理多智能体强化学习中的输入维度，接收和发送之间的通信错误，并显著提高了强化学习的培训速度和稳态性能。

Feb, 2019

FlexiDrop：GNN 中随机 Dropout 方法的理论洞见和实际进展

基于图神经网络（GNN）的随机抛弃法的泛化误差优化方法 FlexiDrop 在实验中表现出比传统随机抛弃方法更好的性能。

May, 2024

基于节点转移概率的消息传递和 DropNode 正则化的图卷积神经网络

本文提出了一种改进的基于节点转移概率的消息传递过程和一种新的正则化方法 DropNode，以解决小型图形上的过拟合和过度平滑等问题，实验发现这种方法在节点和图分类任务中要优于现有的方法。

Aug, 2020

ADEdgeDrop: 针对稳健性图神经网络的对抗性边缘删除

本文介绍了一种新颖的对抗性边缘删除方法（ADEdgeDrop），利用对抗性边缘预测器引导边的删除，以提高图神经网络（GNNs）的鲁棒性。

Mar, 2024

信息传递一路向上

本文讨论了 “超越消息传递” 这一术语的危害性，提出使用更温和的术语 “增强型消息传递”，并指出大多数实际实现都会使用一些技巧来经过一定的修改后，基于消息传递实现任何我们想要在图上计算的函数。