Nov, 2022

图神经网络对顶点间相互作用建模能力的研究

HTML
PDF
TL;DR该研究通过分析分离秩、分界面上行走数等图论特征量化 GNNs 建模给定顶点子集及其补集之间交互的能力，设计了一种名为 Walk Index Sparsification (WIS) 的边稀疏化算法，用于保持 GNNs 模型在输入边被移除的情况下建模交互的能力。该算法在预测准确度上优于替代方法。
发现论文，激发创造
  • 带有邻居交互的双线性图神经网络

    本文提出了Bilinear Graph Neural Network (BGNN) 作为一种新的图卷积运算符，它增加了邻居节点表示的成对交互，从而在半监督节点分类任务中提高了 GNN 的表示能力。实验结果表明，BGNN模型的性能优于现有的GNN模型。

    Feb, 2020

  • 通过相关路径解释图神经网络的高阶行为

    本研究展示了一种新颖的解释方法GNN-LRP，通过高阶扩展和嵌套属性方案来提取与预测相关的输入图形的漫游集合，可为图神经网络和情感分析等提供实用洞见。

    Jun, 2020

  • 图神经网络的表达能力和逼近性质

    使用张量语言以及Weisfeiler-Leman测试为模型分析提供了一种优雅的方法，通过索引和求和嵌套深度的简单分析得到了对GNN的分离能力的边界和某些类的普适性结果，并提供了一些提高GNN分离能力的见解。

    Apr, 2022

  • 从多阶相互作用中发现并解释图神经网络的表示瓶颈

    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

  • 基于张量分解的高阶汇聚图神经网络

    本研究提出了一种新的Graph Neural Networks模型——Tensorized Graph Neural Network（tGNN），采用张量分解来模型高阶非线性节点交互和计算图形表征，并在节点和图分类任务中得到了超越竞争基线的表现。

    May, 2022

  • 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

    本篇研究提出了一种新的跳数交互范式——Hop Interaction paradigm来同时解决Graph Neural Networks在可扩展性，平滑性方面的限制，并设计了HopGNN框架来优化模型效率和性能，最终实验结果表明该模型在广泛的数据集上表现卓越。

    Nov, 2022

  • 通过非参数子图匹配解释图神经网络

    本文提出了一种非参数子图匹配框架MatchExplainer和增加范例MatchDrop，用于解释图神经网络预测结果中的关键子结构，实验结果表明无论是在合成数据集还是真实世界数据集上都优于所有参数基线，并且我们的MatchDrop是一种通用的增强性能的方案。

    Jan, 2023

  • 图神经网络的表达能力：综述

    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

  • 图神经网络中的过度压缩现象：一项综合调查

    对图神经网络（GNN）中普遍存在的过烈抑制问题进行了细致剖析，探讨了研究者目前提出的改善方法和创新，旨在解决GNN领域面临的挑战。

    Aug, 2023

  • 通过图分割提升图神经网络的表达能力

    图分区神经网络（GPNNs）是一种新颖的GNN架构，通过对图进行分区以及顶点集和子图之间的结构相互作用的探索，提高了GNN的表达能力，并在各种图基准任务中展示了超越现有GNN模型的卓越性能。

    Dec, 2023