May, 2022

基于张量分解的高阶汇聚图神经网络

PDF
TL;DR本研究提出了一种新的 Graph Neural Networks 模型 ——Tensorized Graph Neural Network（tGNN），采用张量分解来模型高阶非线性节点交互和计算图形表征，并在节点和图分类任务中得到了超越竞争基线的表现。
graph neural networkstgnntensor decompositionnode interactiongraph classification
发现论文，激发创造
  • 张量化超图神经网络

    提出了一种基于张量的高阶超图神经网络模型，它利用高阶外积特征传递实现了对高阶信息的有效提取，并通过部分对称 CP 分解方法降低了模型复杂度；在两个三维视觉对象分类数据集上进行的实验结果表明了其性能优越性。

    Jun, 2023

  • 节点下采样的图神经网络中的层次表示学习

    本文提出了 Node Decimation Pooling (NDP)，这是一种用于 GNN 的池算子，能够生成更粗糙的图，同时保持整体图拓扑结构，通过三个步骤：节点削减，Kron reduction，和稀疏化过程生成 coarsened graphs。实验结果表明，与现有的图池化运算符相比，NDP 在图分类任务上表现出相当的性能，但更加高效。

    Oct, 2019

  • 图神经网络的二阶池化

    本论文提出使用二阶汇集技术作为图聚合技术，结合双线性映射和注意力机制的二阶汇集方法性能优越，在图分类任务中取得了显著的表现提升。

    Jul, 2020

  • Haar 图形池化

    本文提出一种新的基于小波压缩的图池化技术 —HaarPooling，用于 Deep Graph Neural Networks 中的图分类和回归问题，实现了数据的稀疏表征和结构信息的保留，使 GNNs 在各种图分类和回归问题上达到了最先进的性能。

    Sep, 2019

  • 图神经网络中池化的表达能力

    本文研究图神经网络中的池化操作的表现力问题，并介绍了一种可以全面维持 message-passing 层的表现力的池化操作设计原则，进而通过实验验证其在图同构检测上的效果。

    Apr, 2023

  • 张量视图拓扑图神经网络

    图分类是一项重要的图结构数据学习任务，我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN)，利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法，能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中，TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。

    Jan, 2024

  • 基于图的信号的卷积神经网络架构

    该研究探索了卷积神经网络在图信号处理方面的应用，通过构建选择图神经网络和聚合图神经网络，对信号的卷积和池化进行了重新解释，实现了在图数据上的卷积神经网络。此外，该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。

    May, 2018

  • 具有 EigenPooling 的图卷积网络

    本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m，实验结果表明该框架具有良好的效果。

    Apr, 2019

  • 基于路径积分的异构图神经网络卷积和汇聚

    该研究论文通过扩展深度学习到图结构数据集，提出一种基于路径积分的图神经网络模型 (PAN 网络)，通过该模型中的卷积操作和节点的中心性得分以及边特征的处理，实现了对复杂异构图的预测任务。

    Feb, 2023

  • SPGNN: 通过增强图卷积和池化识别显著子图模式

    提出一种基于串联的图卷积机制和一种新颖的图池模块，用于增强识别非同构子图的区别能力，并且提出一种新颖的子图模式 GNN（SPGNN）架构，实验结果表明该方法在图分类方面具有与最先进的图核心和其他 GNN 方法相媲美的表现。

    Apr, 2024