May, 2022

图神经网络与概率图模型的交叉：综述

HTML
PDF
TL;DR该研究综述了图神经网络和概率图形模型的交叉应用，探讨了GNN如何受益于PGM学习结构表示，如何实现更有效的推理和结构学习，以及分析了近期研究中使用的基准数据集和未来研究方向。
发现论文，激发创造
  • 基于图神经网络的概率图模型推理

    使用图神经网络作为一种有利于推断任务的推送算法，对于在循环密集的概率有向图上显著优于置信传播算法

    Mar, 2018

  • 贝叶斯图卷积神经网络用于半监督分类

    本文提出一种贝叶斯图卷积神经网络的框架，用于在图结构数据上进行节点分类和矩阵补全任务，并采用一种迭代学习算法来提高模型性能，并在试验中展示了当训练数据少时，该方法提供更好的性能。

    Nov, 2018

  • 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

  • 用随机节点初始化提升图神经网络的惊人能力

    本文分析了具有随机节点初始化的GNNs的表达力，证明了这些模型是通用的，这是GNNs的首个不依赖于计算要求更高阶特性的结果。我们基于精心构建的数据集，对RNI对GNNs的影响进行了经验分析。我们的实证结果支持RNI对于GNNs的优异表现。

    Oct, 2020

  • PGM-Explainer：面向图神经网络的概率图模型解释器

    本文章提出了PGM-Explainer，一种基于概率图模型（PGM）的GNN解释器，其能够识别关键的图形成分并生成一个PGM来近似解释预测，并且将解释以条件概率的形式呈现。理论分析表明，PGM-Explainer生成的PGM包括目标预测的Markov-blanket，即包括所有其统计信息。实验结果显示，PGM-Explainer在许多基准任务中均达到比现有解释器更好的性能。

    Oct, 2020

  • 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

  • 神经网络作为无限树状概率图模型

    本文提出了一种创新性的解决方案，通过构建无限树状PGMs来精确对应神经网络，发现DNNs在前向传播过程中实际上是精确的PGM推理的近似，这种直接的近似揭示了DNNs的精神内核。

    May, 2023

  • OpenGSL：图结构学习的全面基准

    这篇论文介绍了OpenGSL，这是第一个全面的Graph Structure Learning基准，旨在通过评估出现在各种流行数据集，以及使用统一数据处理和分割策略的最新GSL方法之间的公平比较，缩小研究进展存在的差距。

    Jun, 2023

  • 朝向因果分类的图神经网络的全面研究

    研究发现了图神经网络在因果分析方面的潜力，通过评估不同数据环境中九个基准图分类模型的效率和灵活性，突显了预测能力以及需求进一步提升的领域。

    Jan, 2024

  • 图神经网络的概率传递：图结构与表示的联合学习

    提出了一种概率传递基于图神经网络的方法，利用Latent Graph Inference框架将生成的图结构和节点特征输入到GNN中进行预测，通过聚合邻居节点的边概率来改进生成的图结构，并使用基于锚点的技术减少复杂性和提高效率。实验证明了该方法的有效性。

    Jul, 2024