Feb, 2023

关系 Weisfeiler-Leman 预测理论

PDF
TL;DR我们的研究旨在系统理解知识图谱中图神经网络的表达能力和局限性，并通过关系 Weisfeiler-Leman 算法对不同模型的表现进行表征，最终阐明了一些常用的实际设计选择的优势。
graph neural networksrepresentation learningknowledge graphslink predictionrelational weisfeiler-leman algorithm
发现论文，激发创造
  • 关系超图的链接预测

    通过关系超图进行链接预测的研究，提出了两种框架，并通过相应的关系 Weisfeiler-Leman 算法和一些自然逻辑形式主义的广泛实证分析，证明了所提模型架构的表达能力。在各种关系超图基准测试中，所得到的模型架构明显优于每个基线模型，对于归纳链接预测具有领先水平的结果，从而开启了图神经网络在完全关系结构中的应用。

    Feb, 2024

  • 维斯费勒和勒曼进入了机器学习：迄今为止的故事

    该论文综述了基于 Weisfeiler-Leman 算法的算法和神经结构，其在机器学习中具有图形和关系数据方面的强大功能，特别是在监督式学习方面。此外，该论文还讨论了算法的理论背景，如何在有监督的图形和节点表示学习中使用它，并概述了连接到神经结构的算法扩展和当前应用和未来方向的概述，以刺激进一步的研究。

    Dec, 2021

  • 使用 Weisfeiler-Leman 算法进行图机器学习的实力

    本文全面概述了基于 Weisfeiler-Leman 算法的机器学习及其在监督学习、图和节点分类、神经架构连接等方面的应用及未来方向。

    May, 2021

  • Weisfeiler 和 Leman 进化为神经网络：高阶图神经网络

    本文研究了图神经网络以及其理论背景并将其与 $1$-WL 算法相对比，提出了 $k$-dimensional GNNs 这一扩展方法，证明了它在处理社交网络和分子图像等高阶结构方面的有效性。

    Oct, 2018

  • 关于 Weisfeiler-Lehman 测试及其变体的简短教程

    本短文介绍了几个 Weisfeiler-Lehman 算法的变体，这些算法用于衡量图神经网络的表达能力， 并解释了 WL 和 folklore-WL 公式之间的区别。

    Jan, 2022

  • Weisfeiler 和 Leman 稀疏化：走向可伸缩的高阶图嵌入

    本文提出一种基于 Weisfeiler-Leman 算法和神经网络架构的图核方法，能够处理高阶交互，同时具有表达能力、可扩展性和防止过拟合等优点。实验表明，与原算法相比，局部算法（包括核和神经体系结构）具有快速计算时间和防止过拟合的优势，并且在多个基准数据集上实现了最新的图分类技术成果，同时展现了在大规模分子回归任务上的性能。

    Apr, 2019

  • 生成式图神经网络用于链接预测

    本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

    Dec, 2022

  • 知识图谱中基于路径的神经网络的归纳链接预测

    本文提出了使用孪生神经网络的基于路径的归纳链接预测模型 SiaILP，仅依赖关系和路径嵌入，可泛化到新实体而无需微调，实验证明该模型在归纳版本的 WN18RR、FB15k-237 和 Nell995 的链接预测任务中取得了多个最新的最优性能。

    Dec, 2023

  • 具有语义相关性感知的广义关系学习用于链接预测

    该研究提出了一种统一的关系学习框架（GRL），该框架可以插入现有的链接预测模型中，能够增强现有的链接预测模型，使其对于不平衡的关系分布和学习未见关系具有不敏感性，并能够联接语义相似的关系。

    Dec, 2020

  • 预测人工智能论文中的语义关系的方法

    本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

    Jan, 2022