从节点相互作用到跳跃相互作用:新的有效和可扩展的图学习范例
提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架,通过生成 hierarchical structure,并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm,实现了对长程信息的高效访问,从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。
Sep, 2020
本文介绍一种更有效的图神经网络 ——k-hop GNN,该网络可以从一个节点的 k - 跳邻域中汇总信息并识别基本图属性,可用于节点分类和图分类任务,并在标准数据集上取得较好或可比的表现
Jul, 2019
本文探讨了图神经网络在不同复杂情况下捕捉节点之间相互作用信息的能力,并发现了当前机制存在的问题,提出了一种基于交互模式的新颖图重连方法以缓解表征瓶颈并提高性能。实验结果证明了该方法的有效性及其优于现有基准算法的表现。
May, 2022
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
我们提出了一种名为 HeIHNN 的超边交互感知超图神经网络,旨在捕捉超边之间的相互作用,并引入了一种新的机制来增强超边和节点之间的信息流动。经过广泛的实验,在真实世界的数据集上,HeIHNN 相比现有方法表现出具有竞争力的性能。
Jan, 2024
该论文提出了一种名为全局交互模式学习 (Global Interactive Pattern learning) 的新颖内在可解释方案,它通过引入可学习的全局交互模式来明确解释决策,在图分类任务上具有显著的解释性和竞争性的性能。
Jul, 2024
我们提出了一种新的模型 MixHop,可以学习各种距离的邻居的特征表示,并包括差分算子,同时提出了稀疏正则化方法,能够可视化网络如何在不同的图数据集上优先考虑邻域信息,该模型实现了在挑战性基线上的出色表现。
Apr, 2019
利用统一矩阵公式和 HL-GNN 方法,本研究提出了一种整合了各类算启发式方法和传统图神经网络的学习模型,通过广泛的实验验证了其高效性和显著优于现有方法的预测性能。
Jun, 2024
本文提出了一种名为 “异构图传播” 的新图嵌入方法,通过使用组 - 用户 - 商品三部分图以减少社交图中的边数和路径的复杂性,分别使用个性化的 PageRank 传播方案对组 - 用户图和用户 - 商品图中的节点进行嵌入,并使用一种注意机制将每个图中的节点嵌入进行集成,解决了图神经网络在社交推荐中的过度平滑问题,并在大规模真实世界数据集上证明了该方法优于其他基线的性能。
Jul, 2019
本文介绍了一种新的框架,Blend&Grind-HGNN(BG-HGNN),该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题,其通过将不同关系融合到一个统一的特征空间中,在参数可管理的单一参数集的帮助下,得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明,BG-HGNN 在参数效率(高达 28.96 倍)、训练吞吐量(高达 8.12 倍)和准确性(高达 1.07 倍)方面显著超过了现有的 HGNN。
Mar, 2024