集成多关系图神经网络
该论文提出了一种新的 Graph Neural Network 体系架构(RioGNN),通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘,并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明,该方法比其他比较方法更有效,更高效,并具有更好的模型解释性。
Apr, 2021
本文提出了一种基于自然语言句子来生成图神经网络参数的方法(GP-GNNs),使 GNN 能够处理非结构化文本输入的关系推理,验证了在文本关系抽取中的有效性,并展示了我们的模型通过多跳关系推理可以发现更准确的关系。
Feb, 2019
本研究提出了 Graph Markov Neural Network (GMNN) 模型,将统计关系学习和图神经网络的优势相结合,通过有条件随机场建模对象标签的联合分布,并利用变分 EM 算法进行有效训练,在目标分类、链接分类和无监督节点表示学习等任务中实现了最先进的结果。
May, 2019
本研究探讨了集成学习技术在改善图神经网络(GNNs)性能和鲁棒性方面的应用。我们通过使用多种不同的初始化或结构来训练多个 GNN 模型,创建了一个名为 ELGNN 的集成模型,该模型捕捉了数据的各个方面,并使用树状结构 Parzen 估计算法确定集成权重。结合这些模型的预测结果可以提高整体准确性,减少偏差和方差,并减轻噪声数据的影响。我们的研究结果证明了集成学习在提升 GNN 对分析复杂图结构数据的能力方面的有效性。
Oct, 2023
本文提出一种图检索机制叫做 GraphRetrieval 通过检索训练图来加强现有的图神经网络模型,利用自注意力的适配器从被检索图中获取有益信息并消除噪声,实现了对现有 GNN 模型效果的显著提升。
Jun, 2022
本文提出了一种使用节点嵌入关系明确缓解图神经网络(GNNs)中超平滑问题的新方法。通过在真实数据集上进行试验,表明利用节点嵌入关系使得 GNN 模型如 Graph Attention Network 对超平滑的鲁棒性更强,并且在更深的 GNNs 下取得更好的性能。我们的方法可以与其他方法结合使用,以获得最佳性能。
Jan, 2023
本文提出了一种用于对话中多模态情绪识别的高效远程潜在关系感知图神经网络(ELR-GNN),通过捕捉全局话语之间的潜在依赖关系和语义关联,结合早期融合和自适应后期融合机制,实现了情感预测,并在 IEMOCAP 和 MELD 基准数据集上取得了最先进的性能,分别将运行时间减少了 52% 和 35%。
Jun, 2024
本研究提出了 CompGCN,一种新的图卷积框架,可同时嵌入节点和关系,解决了处理多关系图的过度参数化问题,广义了现有的多关系 GCN 方法,取得了节点分类、链接预测和图分类等多个任务的显着优异结果。
Nov, 2019
本文提出了 MR-GNN,这是一种具有多分辨率结构的图神经网络,能够从不同尺度的数据邻域中提取特征以及提取成对图之间的交互特征,相较于现有方法,显示出更好的预测效果。
May, 2019
本文旨在建立不同传播机制之间的联合优化框架,总结了几种最具代表性的图神经网络,并提供了新的设计灵活性。本文还提出了两个考虑可调节图内核的新型目标函数,分别表现出低通或高通滤波能力,并提供了所提模型的收敛性证明和表达能力比较。
Jan, 2021