ICMLJun, 2022

优化引导的图隐式非线性扩散

PDF
TL;DR本文提出了一种新的图卷积方法 Graph Implicit Nonlinear Diffusion (GIND)，通过自适应聚合具有非线性扩散的特征来防止过度平滑，并以明确的凸优化目标的最小化表示所学到的表示。实验表明，GIND 在捕获长程依赖方面表现出色，并在节点级和图级任务上取得了显着的改进。
graph neural networksgraph convolutionnonlinear diffusionoptimization objectivelong-range dependencies
发现论文，激发创造
  • 基于约束狄利克雷能量最小化的隐式图神经扩散

    设计基于参数化图拉普拉斯算子的隐式图扩散层，从而在节点和图分类任务中展现了强化的性能，通过减少超平滑问题，权衡平滑和节点特征信息的保持。

    Aug, 2023

  • 高效有效的隐式动态图神经网络

    Implicit Dynamic Graph Neural Network (IDGNN) 是一种针对动态图的新型隐式神经网络模型，通过提出一个等价的双层优化问题和一种高效的单循环训练算法来克服计算上的困难，以在分类和回归任务中展现出优于现有模型的性能，并在性能保持的同时获得高达 1600 倍的加速。

    Jun, 2024

  • 隐式图神经网络

    本文提出了一种名为 “Implicit Graph Neural Networks（IGNN）” 的图学习框架，其利用 Perron-Frobenius 理论来确保该框架的良好性，并利用隐式微分得到一种可行的投影梯度下降法来训练该框架，实验证明 IGNN 可以稳定捕捉长程依赖并优于现有的 GNN 模型。

    Sep, 2020

  • 学习在图上近似自适应核卷积

    基于扩散核的扩散学习框架在图神经网络中控制了特征聚合范围，解决了节点级分类和过度平滑化的问题，并具备在阿尔茨海默病分类中实际应用的可行性。

    Jan, 2024

  • 在连续图扩散函数空间中重新思考和重新设计图神经网络

    本文提出了一种基于变分分析的归纳偏差方法以增强图神经网络的长距离依赖和全局模式捕捉能力，并采用总变差方法对图扩散模式与社区拓扑进行对齐，最后构建了一种能够预测图中传播流的生成对抗网络。最终，我们的方法在 Cora、Citeseer 和 Pubmed 等著名图学习数据集上实现了最新的性能水平。

    Jul, 2023

  • 基于高斯函数的图卷积算法

    本研究提出了一种基于高斯的卷积滤波器的框架 (GIC)，旨在解决非规则图的局部卷积滤波问题，之后在几个公共图分类数据集上验证了该方法的有效性和卓越的性能.

    Nov, 2018

  • 一种用分数图拉普拉斯算子解决过度平滑问题的方法

    该文研究了图神经网络中过度平滑问题，并针对无向图将其概念推广至有向图，通过引入指向对称规范化拉普拉斯算子并提出分数图拉普拉斯神经 ODE 框架，实现了在节点间传播信息的同时缓解了过度平滑问题，证明了该方法的有效性并在合成和真实世界的有向无向图上进行了广泛实验。

    May, 2023

  • 图神经扩散网络用于半监督学习

    GND-Nets, a new graph neural network that exploits local and global neighborhood information, is proposed to mitigate the over-smoothing and under-smoothing problems of Graph Convolutional Networks, using a new graph diffusion method called neural diffusions, which integrate neural networks into the conventional linear and nonlinear graph diffusions.

    Jan, 2022

  • INDigo：基于 INN 引导的概率扩散算法解逆问题

    该研究提出了一种结合可逆神经网络和扩散模型的方法（INDigo）来解决逆问题，同时在扩散过程中添加数据一致性步骤来优化重建图像，实验表明该方法可以在更多复杂的退化模型和低质量图像上表现良好。

    Jun, 2023

  • 图神经聚合 - 扩散与亚稳态

    基于微分方程的连续图神经模型拓展了图神经网络的架构，通过聚合 - 扩散方程启发的 GRADE 模型在非线性扩散和聚合之间找到了一种微妙的平衡，通过产生亚稳态节点表示聚集成多个聚类，从而缓解了过度平滑的问题，该模型达到了竞争性的性能，证明了其在图神经网络中减轻过度平滑问题的作用。

    Mar, 2024