Nov, 2022

GENIUS：一种基于聚类图神经网络的子团队替换新方案

PDF
TL;DR本文针对现有子团队替换算法的缺陷提出了一种基于聚类的图神经网络 (GNN) 框架，名为 GENIUS，用于灵活地进行子团队替换，并采用自监督正对比训练方案来提高团队级别的表示学习和无监督的节点聚类来削减候选人，实现了高效的计算。经过大量实证评估，我们展示了该方法的高效性和有效性，平均运行时间提高了超过 600 倍，并且能够选择更好的候选成员，显著提高了优化和原始团队之间的相似度。
发现论文，激发创造
  • 基于用户中心子图网络的知识增强推荐

    基于知识图谱和图神经网络的用户中心子图网络方法 (KUCNet) 构建了用户 - 物品子图以捕捉用户物品历史交互和知识图谱提供的辅助信息，并使用基于注意力机制的图神经网络对子图进行编码，提供了准确、高效、可解释的推荐特别是针对新物品的方法。实验结果表明 KUCNet 在基于知识图谱和协同过滤的方法上具有优势。

    Mar, 2024

  • 子图神经网络

    使用 SubGNN 模型对含有多个离散链接的生物医学数据集上的子图进行预测任务，通过神经路由机制，网络能够学习分离的子图表示，其中指定了三个信道以捕捉子图拓扑的不同方面，并在 8 个子图分类数据集上以及具有复杂拓扑结构和多个未连接组件的具有挑战性的生物医学数据集上优于基线模型 19.8%。

    Jun, 2020

  • 联合子图神经网络

    本文提出了一种名为 Union Subgraph Neural Network 的图神经网络模型，通过注入从新类型的子结构中提取的邻居连接信息以有效地编码高阶连接性，该模型被证明在区分非同构图方面比 1-WL 更强大，并且在 17 个基准测试中表现出优异的性能，尤其是在现有模型的局部编码的基础上注入我们的局部编码，可以最多提高 11.09% 的性能。

    May, 2023

  • 使用子图近似进行图卷积网络的分布式训练

    本文介绍了一种通过子图近似方案，在减小同步开销、降低内存占用的同时，解决分布式训练非独立同分布图形数据（如图卷积网络）中信息丢失与准确性问题的训练策略。

    Dec, 2020

  • 基于子图网络的对比学习

    本文提出了一种名为基于子图网络的对比学习的新框架，用于挖掘子结构与图表征之间的相互作用，可提高图像的非监督和迁移学习性能。

    Jun, 2023

  • 多视图子图神经网络：稀缺标记数据的自监督学习

    利用子图构建长距离依赖关系来改善低数据环境下节点分类的性能，并提出了一种名为 Muse 的自监督学习框架，通过联合捕获局部结构和长距离依赖关系，提高了图中节点的表示表达能力。

    Apr, 2024

  • 基于 T1-MRI 脑网络的认知损害转化预测的自适应关键子图挖掘

    提出一种名为 Brain-SubGNN 的新颖图形表示网络，用于挖掘和增强基于 T1-MRI 的关键子图，该网络提供了子图级别的解释，增强了图形分析的可解释性和洞察力，通过提取节点特征和节点之间的相关矩阵构建任务导向的脑网络，并自适应地识别和增强关键的子图，捕捉回路和邻居子图，反映远程连接的回路拓扑和局部变化，同时保持局部和全局脑属性，广泛的实验证实了 Brain-SubGNN 的有效性和优势，证明其作为了解和诊断早期痴呆症的强大工具的潜力。

    Mar, 2024

  • 使用子图草图的图神经网络进行链接预测

    提出了一种名为 ELPH 的全图 GNN 和一种高度可扩展的模型 BUDDY，前者通过哈希传递子图草图以近似 SGNN 中的关键组件，后者使用特征预计算来规避 GPU 内存限制，而且两者在标准 LP 基准测试上性能均优于现有的 SGNN 模型

    Sep, 2022

  • 无监督深度图结构学习

    本论文提出了一种实用的无监督图结构学习（GSL）范式，使用自我监督对比学习辅助产生 “锚图” 目标，采用新型自举机制升级锚图并设计多种图学习器和后处理方案，取得了显著有效性和优化图的高质量。

    Jan, 2022

  • 规模化的双曲图神经网络：一种元学习方法

    本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。

    Oct, 2023