GNNs,更强,更深,更快
该论文提出了一种新的框架,使用基于节点度数的门控机制动态地调整图神经网络的层数,从而增强信息聚合的能力并减少过度平滑,通过实验验证该模型在多个数据集上表现良好。
May, 2022
这篇论文提出了 Nested Graph Neural Networks (NGNNs) 框架,通过将节点表示编码为子图而不是子树来表示整个图,从而比 1-WL 更强大地区分几乎所有 r 正则图,并且在基准数据集上表现出高度竞争性表现。
Oct, 2021
本研究提出了一种 “深 GNN,浅采样器” 设计规则,通过利用深层次的 GNN 在一个浅层、局部的子图内传递信息,避免了在全局范围内过度平滑和邻域爆炸的问题,从而提高了 GNN 的准确性和效率。通过采用各种子图采样算法和神经架构扩展,研究人员在最大的公共图形数据集上取得了最先进的准确性,同时大幅减少了硬件成本。
Dec, 2020
本文介绍一种更有效的图神经网络 ——k-hop GNN,该网络可以从一个节点的 k - 跳邻域中汇总信息并识别基本图属性,可用于节点分类和图分类任务,并在标准数据集上取得较好或可比的表现
Jul, 2019
本文提出了一种理论框架来分析图神经网络的表达能力和限制,并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构,实验验证了理论的发现,并取得了最先进的性能。
Oct, 2018
使用 SubGNN 模型对含有多个离散链接的生物医学数据集上的子图进行预测任务,通过神经路由机制,网络能够学习分离的子图表示,其中指定了三个信道以捕捉子图拓扑的不同方面,并在 8 个子图分类数据集上以及具有复杂拓扑结构和多个未连接组件的具有挑战性的生物医学数据集上优于基线模型 19.8%。
Jun, 2020
本文提供了一种统一的方法来研究增强次图 GNN 的架构,包括理论框架和对子图增强 GNN 可表达性的已知结果进行扩展,同时研究了三种用于学习采样子图的方法,通过实验证明了数据驱动架构可以提高标准基准数据集的预测精度,同时减少计算时间。
Jun, 2022
本研究提出了一种特征选择 Graph Neural Network(FSGNN)模型,通过解耦节点特征聚合步骤和深度,使用 softmax 作为聚合的特征的正则化器和 L2 规范化技术,实现了对不同聚合的特征的作用进行实证分析,最终在 9 个基准数据集上创建了一种简单而浅的模型,取得了比现有 GNN 模型更好的性能。
Nov, 2021
本文提出了一种基于长短距离注意力模型的图神经网络框架,用于解决标注有限以及捕捉图中长距离关系的问题,并应用于 PU 学习与节点分类任务中,实验结果证明了算法的有效性。
Mar, 2021