通过构建人工合成数据集和进行实验验证,本论文从因果学习的角度综合分析了各种图神经网络模型,在此基础上提出一种轻量且高度适应性的图神经网络模块,以增强其因果学习能力。
Dec, 2023
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
为了应对气候变化,需要提高可再生能源在电力生产中的份额。在分散化、惯性减小和生产波动性等方面,可再生能源为电力网络引入了新的挑战。本研究利用图神经网络以分析电力网动态稳定性的计算工作量,发现其在仅基于拓扑信息的情况下预测非线性目标非常有效。此外,应用所提出的方法,还能准确识别出电力网的易受攻击的节点。最后,发现在小型电力网上训练的 GNN 在对得克萨斯电力网的大型模型进行预测时,也具有准确性和实用性。
Jun, 2022
提出了一种名为 Computation Graph Transformer(CGT)的图形生成模型,它可以在保证隐私的前提下,生成大规模真实世界图的有效基准图,用于作为 Graph Neural Networks 模型的基准测试。
Jul, 2022
本文介绍了如何利用合成图形进行基准测试,以深入研究不同类型的图学习算法科学性能,研究结果显示我们的框架为无监督和有监督图神经网络模型提供了洞见。
Apr, 2022
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
本文介绍了图神经网络(GNNs)的设计管道,详细讨论了其各个组成部分的变体,对其应用进行了系统分类,并提出了四个开放性问题供未来研究。
Dec, 2018
本文研究了利用图神经网络技术和机器学习算法探测社交媒体平台上的虚假新闻传播,发现图神经网络对于虚假新闻的辨别效果最好。
Mar, 2022
提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架,通过设计随机传播策略来进行图数据增强,并利用一致性正则化优化不同数据增强下未标记节点的预测一致性,实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上,并且缓解了过度平滑和非鲁棒性问题,展现了比现有 GNN 更好的泛化行为。
May, 2020
本文提出了一种图神经网络框架(GraphRec)用于社交推荐,该框架可以共同模拟两个图形和异构强度,并对用户 - 项目图形中的交互和观点进行联合捕获。
Feb, 2019