该研究提出了一种基于路径积分的图神经网络 (PAN),通过引入可学习的路径权重,相当于引入了最大熵随机游走,将图卷积和池化映射到了新的过渡矩阵上,其中的对角线项与子图中心度密切相关,提供了一种自然且适应性强的池化机制。PAN 可用于各种图数据大小和结构不同的情况,并在各种图分类 / 回归任务上取得了最先进的性能。
Jun, 2020
本文提出了一种基于路径积分方法的最大熵转移矩阵,称为 PAN 框架,该框架替代了通常用于图结构数据的图拉普拉斯卷积,可以有效提高图神经网络的学习效果和收敛速度,同时在基准测试任务上达到了最先进的性能水平。
Apr, 2019
本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用,该算子能够在池化过程中利用节点特征和局部结构,与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m,实验结果表明该框架具有良好的效果。
该研究探索了卷积神经网络在图信号处理方面的应用,通过构建选择图神经网络和聚合图神经网络,对信号的卷积和池化进行了重新解释,实现了在图数据上的卷积神经网络。此外,该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。
May, 2018
提出了一种基于关系聚合和卷积 (PC-HGN) 的异构图神经网络模型,它可以进行关系特定的采样和跨关系卷积,从而更好地将图的结构异质性编码到嵌入空间中,与其他现有的图学习模型相比,其性能得到了最大 17.8%的提升。
Oct, 2022
本文研究图形池化(Graph pooling)对图神经网络(GNN)性能的影响,使用随机化或补图聚类的变体挑战了保留局部性表示的必要性,并表明了卷积层在学习表示中的领导作用。与普遍认为的不同,局部池化并非导致 GNN 在相关且广泛使用的基准测试中获得成功的原因。
Oct, 2020
本综述文章研究了图卷积神经网络及其在节点分类等领域的应用,并阐述了构建图卷积算子和图池算子的关键步骤。
Jul, 2023
本研究提出了一种名为 EdgePool 的图池化层,利用边缩减的概念来学习局部和稀疏的硬池化转换,证明 EdgePool 优于其他池化方法,并且易于集成到大多数 GNN 模型中,提高了节点和图的分类性能。
May, 2019
提出了使用可训练投影向量评估节点重要性来选择新图形的最重要的 K 个节点以达到与图像最大池化层相同目的的图形池 (pooling) 层。同时,结合 GCN 和普通卷积运算进行的混合卷积层 (hConv) 能够快速增加接受野 (receptive field),自动计算特征等功能,基于提出的 gPool 和 hConv 层,我们为文本分类任务开发了新的深度网络,结果证明基于这些层的网络相比于基线方法具有新的最先进性能。
Jan, 2019
提出使用持久同调和地标的复合拓扑池化层并设计新的局部和全局可学习的拓扑表示方法以从图中提取有区分性的拓扑信息,该方法在 11 个不同的基准数据集上超过 18 个基线模型,显示出对比竞争对手更佳的实验表现。
Mar, 2023