Jun, 2022

使用 GNN 探索 Horn 子句的表示（扩展技术报告）

PDF
TL;DR本文提出了一种新的基于图的编程语义学习方法 - 关系超图神经网络（R-HyGNN），通过学习规约角色（Constrained Horn Clauses）的图形表示，提供了一种有效的语言无关的程序特征提取方式，并在 CHC-COMP 2021 基准上展示了一系列任务的准确性。
constrained horn clausesrelational hypergraph neural networkprogram semanticsgraph representationsprogram verification
发现论文，激发创造
  • RHCO: 一种关系感知的异构图神经网络，配合对比学习用于大规模图

    本文提出了一种新的基于对比学习的关系感知异构图神经网络 RHCO，用于大规模异构图表示学习，相对于传统的异构图神经网络，可以更好地处理复杂异构网络结构，并采用标签平滑技术提高了性能，实验证明在三个大规模学术异构图数据集上 RHCO 取得了最好的性能表现。

    Nov, 2022

  • 超图神经网络

    本研究提出了一种超图神经网络 (HGNN) 框架，可以通过超图结构编码高阶数据相关性，并使用超边卷积操作处理数据相关性，以有效地进行数据表示学习。实验结果表明，HGNN 方法优于最新的最先进的方法，并且可以处理现实世界中的复杂数据和多模数据。

    Sep, 2018

  • CHGNN: 半监督对比超图学习网络

    本文提出了一种使用自监督对比学习技术、适应性超图视图生成器以及改进的超图编码器的对比式超图神经网络（CHGNN），用于从已标记数据和未标记数据中学习，实验结果表明 CHGNN 在分类准确率方面优于 13 个竞争对手。

    Mar, 2023

  • Chronosymbolic Learning: 采用符号推理和归纳学习的高效 CHC 求解

    本论文提出了 Chronosymbolic Learning 这一基于数据驱动的框架，结合符号信息和数值数据点解决 Constrained Horn Clauses（CHC）系统，此工具在包含许多非线性整数算术实例的数据集上表现出比现有 CHC 求解器更高的性能。

    May, 2023

  • GCNH: 异质图上的简单表示学习方法

    我们提出了 GCNH，是一种简单但有效的 GNN 架构，适用于异构和同质图形，并使用一个学习的重要系数平衡中心节点和邻域的贡献，可以解决异构图上性能问题和过度平滑问题。

    Apr, 2023

  • 图分类的参数化高维复数图神经网络

    本研究旨在开发利用超复特征变换的图神经网络，通过推断数据自身的乘法规则来实现一种新的模型，其具有正则化效果，能够显著提升 HC 嵌入的表达能力，相比对应的实数 GNN，达到了 more state-of-the-art 的性能，同时内存占用和参数数量都更少。

    Mar, 2021

  • 基于抽象语法树 (AST) 的异构有向超图神经网络用于代码分类

    该研究提出了利用异构有向超图和异构有向超图神经网络处理代码分类的方法，并在公共的 Python 和 Java 代码数据集上测试，结果表明该方法可以提高代码理解和高阶数据相关性的表述。

    May, 2023

  • 生成对比异构图神经网络

    通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

    Apr, 2024

  • 高阶逻辑和定理证明的图表示

    本文首次使用图神经网络 (GNNs) 实现高阶证明搜索，并证明 GNNs 能够提高此领域的最新成果。我们考虑了高阶逻辑的几种图形表示，并将它们与 HOList 基准进行了评估。

    May, 2019

  • HRGCN：基于层次关系增强图神经网络的异构图层级异常检测

    这项研究考虑了异构图层次异常检测的问题，提出了 HRGCN，一种无监督的深度异构图神经网络，用于有效地识别系统中的异常行为图。在两个真实应用数据集上的广泛评估表明，HRGCN 优于目前最先进的竞争性异常检测方法。进一步展示了一个实际工业案例研究，以证明 HRGCN 在检测移动通信服务中的异常（如拥塞）网络设备方面的有效性。

    Aug, 2023