Feb, 2023

图卷积网络的随机投影森林初始化

PDF
TL;DR本文介绍了一种新的构建图形和初始化 GCN 的方法，基于 rpForest，并通过谱分析来设置该参数的正确范围，实验结果表明，使用 rpForest 初始化 GCN 比 $k$-nn 初始化方法提供更好的结果。
graph convolutional networksunstructured datarpforestspectral analysis$k$-nearest neighbor
发现论文，激发创造
  • SpectralNet 的随机投影树相似度度量

    本研究利用神经网络分离数据内嵌，提出了一种基于 rpTree 相似性度量的 SpectralNet 相似性度量方法来进行图聚类，实验证明，与基于距离度量的 $k$-nn 图相比，基于 rpTrees 的 SpectralNet 能够获得更好的聚类准确性。

    Feb, 2023

  • 图卷积神经网络变体的比较评估中，重新审视随机森林用于交通预测

    本研究比较了图卷积神经网络与随机森林等传统方法在交通预测中的表现，发现采用矩阵分解、注意力机制和位置特定的模型权重等技术可以提高图卷积神经网络的预测精度，但随机森林可以匹敌或超越图卷积神经网络的表现，因此目前的图卷积方法可能不是最佳的交通预测方法。

    May, 2023

  • 用随机节点初始化提升图神经网络的惊人能力

    本文分析了具有随机节点初始化的 GNNs 的表达力，证明了这些模型是通用的，这是 GNNs 的首个不依赖于计算要求更高阶特性的结果。我们基于精心构建的数据集，对 RNI 对 GNNs 的影响进行了经验分析。我们的实证结果支持 RNI 对于 GNNs 的优异表现。

    Oct, 2020

  • 正则化贝叶斯图卷积神经网络的邻域随机游走图采样

    本论文介绍了一种新算法 ——Bayesian Graph Convolutional Network using Neighborhood Random Walk Sampling (BGCN-NRWS)，使用基于 Markov Chain Monte Carlo (MCMC) 的图采样算法利用图结构，通过使用变分推断层来减少过拟合，并且在半监督节点分类方面与现有技术保持竞争性结果。

    Dec, 2021

  • 随机特征增强图神经网络

    本文研究了图神经网络的表达能力，发现其存在局限性。作者提出为每个节点添加随机特征，这样 GNN 就能够学习一些最优多项式时间近似算法，同时该方法方便与其他 GNN 模型结合使用。经实验证明，加入随机特征的 GNN 能够解决一些无法被传统的 GNN 模型解决的问题。

    Feb, 2020

  • 使用主轴树构建简单图卷积的图形结构

    通过使用非监督和监督信息，我们介绍了一种构建邻接矩阵 A 的图形构建方案。我们使用主轴树（PA-trees）作为非监督信息的来源，惩罚和本质图形连接不同类标签的点，而本质图形连接具有相同类标签的点。通过两个著名的图形神经网络进行测试，显示使用简单图形卷积（SGC）更好，因为它更快并提供与图形卷积网络（GCN）相同或更好的结果。我们还测试了对于 GCN 和 SGC 的过度平滑的影响，发现必须仔细选择 SGC 的平滑程度以避免过度平滑。

    Feb, 2023

  • R-GCN: R 可以代表随机

    本文介绍了 “随机关系图卷积网络” 的方法，该方法相比 “关系图卷积网络” 表现出色，其中重要的贡献在于信息传递而非学习得到的权重。

    Mar, 2022

  • 大规模随机图上图卷积网络的收敛性和稳定性

    本研究通过对随机图模型的分析，研究了图卷积网络（GCN）的性质，包括 GCN 达到其连续对应的收敛性以及 GCN 对随机图小变形的稳定性，这有助于解释卷积表示在欧几里得域中成功的原因。

    Jun, 2020

  • RF-GNN: 随机森林提升的图神经网络用于社交机器人检测

    本文提出了一种名为 RF-GNN 的随机森林增强图神经网络用于社交机器人检测，可通过使用图神经网络 (GNNs) 作为基础分类器构建随机森林，有效地结合了集成学习和 GNNs 的优势，以提高模型的准确性和鲁棒性。

    Apr, 2023

  • 随机投影森林中点分布对 k-nn 搜索的影响

    本文探讨了两种影响随机投影森林中 k - 最近邻搜索 (K-NN 搜索) 性能的因素（数据点的分散性和 rpForest 中树的数量），研究表明随机投影森林的数量较大时，数据点的分散性对 K-NN 搜索影响非常有限。因此，在选择随机方向时，应使用原始 rpTree 算法，而不考虑数据点的分散性。

    Feb, 2023