基于图稀疏化的 GCN 技术在农作物产量预测中的应用

Jun, 2023

基于图稀疏化的 GCN 技术在农作物产量预测中的应用

Graph Sparsification for GCN Towards Optimal Crop Yield Predictions

Saghar Bagheri, Gene Cheung, Tim Eadie

TL;DR该论文提出了一种基于费德勒数的图稀疏化方法，以降低 GCN 模型的复杂性和提高农作物产量预测的准确性。实验结果表明，该方法与其他图稀疏化方案相比，在农作物产量预测方面表现出色。

Abstract

In agronomics, predicting crop yield at a per field/county granularity is important for farmers to minimize uncertainty and plan seeding for the next crop cycle. While state-of-the-art prediction techniques employ graph convolutional nets (GCN) to predict future crop yields given relevant features and crop yields of previous years, a dense underlying graph k

crop yield prediction graph sparsification fiedler number graph convolutional nets eigenvalue perturbation

发现论文，激发创造

通过基于置信度的图稀疏化提高 GNN 预测的可解释性

我们提出了一种使用增强学习进行训练的 GNN 方法，通过移除边和 / 或节点找出最具预测性的子图，同时优化图分类任务的性能，从而在与基线相竞争的性能下，依赖于更稀疏的子图，从而产生更可解释的基于 GNN 的预测结果。

Apr, 2024

图神经网络稀疏训练的全面图剪枝

本文提出了一种基于渐进式图剪枝 (CGP) 的图神经网络 (GNN) 压缩框架，综合剪枝了图结构、节点特征和模型参数，同时引入重生过程以重新建立重要的连接，实验结果表明 CGP 策略在提高训练和推断效率的同时保证准确性超过了现有方法。

Jul, 2022

通过图的混合进行图稀疏化

使用混合图 (MoG) 技术对图神经网络进行图稀疏化处理，针对每个节点的特定环境选择合适的稀疏方案，并在 Grassmann 流形上生成最优稀疏图，从而实现更高的稀疏度水平、GNN 推理速度的提升，并改善 “顶级学生” GNN 在性能上的表现。

May, 2024

早鸟 GCNs：通过早期抽奖实现图网络协同优化，以更高效地训练和推断 GCN

我们提出了一种基于抽奖思想的 GCN 图稀疏化方法，并发现了在 GCN 稀疏化过程中出现的图中的 “早起鸟票”（GEB）。我们开发了 GEBT 框架，该框架可通过绘制联合早起鸟票来同时稀疏化 GCN 图和模型，并在多个 GCN 模型和数据集上验证了 GEB 的解决方案的有效性，取得了显著的性能提升。

Mar, 2021

GRASS：基于可扩展的谱扰动分析的图谱稀疏化算法

本文提出了一种相似性感知的谱图稀疏化框架，利用有效的谱偏树边嵌入和过滤方案构建谱稀疏化，实现了保证谱相似度（相对条件数）水平的过滤，同时介绍了迭代图密度增加方案以促进高度病态问题的有效过滤。该方法已验证了各种公共领域稀疏矩阵收集到的图表，包括与 VLSI CAD、有限元分析、社会和数据网络频繁研究的许多机器学习和数据挖掘应用相关的图表。

Nov, 2019

基于谱图卷积的基因型疾病预测

本文介绍了在人群的脑分析中，将图卷积网络（GCN）应用于包括成像和非成像数据的稀疏图中，以推断未标记节点的类别，并在分类任务中整合上下文信息的潜力。该方法在 ABIDE 和 ADNI 数据库上取得了良好的性能。

Mar, 2017

探索与利用高阶图结构用于稀疏知识图谱补全

为应对稀疏知识图谱中存在的问题，提出一种新颖的框架 LR-GCN，在 GNN 预测器和推理路径提取器的共同作用下，使用变分 EM 算法能够自动捕捉实体之间的长程依赖性，从而提高知识图谱完成的效率。

Jun, 2023

基于潜在图学习的疾病预测

本文通过提出新的动态本地化图剪枝方法，在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性，由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。

Mar, 2020

基于自适应 GCN 种群进化的自动图学习

本文介绍了通过自动超参数优化实现对图卷积网络模型的训练，提出了自调节 GCN 算法和基于种群的训练算法，并在三个基准数据集上展示了优于其他代表性基线方法的优越性。

Jul, 2021

图修订卷积网络

提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

Nov, 2019