记忆增强图神经网络:来自神经科学的视角
本文提出了一种有效的记忆层,可以联合学习节点表示和减少图表达,进而构建基于此层的两个新图神经网络 MemGNN 和 GMN,可学习层次化图表示。实验结果表明,这些模型在九个图形分类和回归基准测试中实现了先进的结果,且表明学习到的表示可以对应于分子数据的化学特征。
Feb, 2020
本研究对四种图神经网络架构及五种节点人工特征进行分析,应用于分类任务,并比较它们在不同隐藏层维度下的性能。结果表明,高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。
Jan, 2024
图神经网络已成为从图结构数据中有效挖掘和学习的强大工具,但大多数研究侧重于静态图,忽视了真实世界网络的动态特性,该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。
Apr, 2024
该研究论文通过对 GNNs 的计算效率进行探讨,提供了该领域的回顾,包括对 GNN 的基本概念的简短教程以及不同算法变体的多个阶段中进行的操作的总结;同时,提供了对当前软件和硬件加速方案的深入分析,并提出了一个面向硬件和软件的、图形感知和通信为中心的 GNN 加速器的愿景。
Sep, 2020
本文提出了一种理论框架来分析图神经网络的表达能力和限制,并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构,实验验证了理论的发现,并取得了最先进的性能。
Oct, 2018
为了填补这一重要方向的空白,我们首次对不同形式定义下增强表达能力的模型进行了综述,具体而言,我们根据三个类别(即图特性增强、图拓扑增强和图神经网络架构增强)对这些模型进行了回顾。
Aug, 2023
图神经网络在图结构数据上学习提供了一种新颖的机器学习范例,能够捕捉图数据中的复杂关系和依赖性,从而在社交网络分析、分子化学和网络安全等领域具有重要的影响。本论文旨在深入研究 GNN 与底层硬件的交互方式,并设计专用加速器和新型优化方法,以实现更高效和更快速的 GNN 计算。我们基于对 GNN 计算需求的特征化构建了先进的硬件加速器结构,同时扩展了对图神经网络领域中新型模型的探索,旨在提供不仅高性能而且能适应图计算发展的多功能加速器。
Dec, 2023