张量化超图神经网络
本研究提出了一种超图神经网络 (HGNN) 框架,可以通过超图结构编码高阶数据相关性,并使用超边卷积操作处理数据相关性,以有效地进行数据表示学习。实验结果表明,HGNN 方法优于最新的最先进的方法,并且可以处理现实世界中的复杂数据和多模数据。
Sep, 2018
图分类是一项重要的图结构数据学习任务,我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN),利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法,能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中,TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。
Jan, 2024
提出了一种拓扑引导的超图变换网络,通过保留结构本质学习图中的高阶关系,设计了简洁而有效的结构和空间编码模块将节点的拓扑和空间信息融入其表示,并提出了一种结构感知的自注意机制,从语义和结构角度发现重要节点和超边。实验证明,所提模型在节点分类任务上的性能始终优于现有方法。
Oct, 2023
我们提出了一种名为 RpHGNN 的混合预计算型异构图神经网络,它将一种风格的效率与另一种风格的低信息损失相结合,通过引入随机投影压缩步骤和关系化邻居收集组件,在七个小型和大型基准数据集上获得了最先进的结果,并比大多数有效的基准方法快 230%。
Oct, 2023
本研究提出了一种新的 Graph Neural Networks 模型 ——Tensorized Graph Neural Network(tGNN),采用张量分解来模型高阶非线性节点交互和计算图形表征,并在节点和图分类任务中得到了超越竞争基线的表现。
May, 2022
本论文通过对异构图神经网络(HGNN)中注意力机制、多层结构进行深入研究,提出了 Simple and Efficient Heterogeneous Graph Neural Network(SeHGNN),该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息,采用长元路径和 Transformer 语义融合模块来更好地利用语义信息,结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。
Jul, 2022
利用张量 - 超图迭代网络在于超图信号去噪以及超图神经网络之间的等价关系,本研究设计了一种基于张量 - 超图迭代网络的方法,通过多步更新方案,有效应用于超图信号去噪问题。
Sep, 2023
本文介绍了一种新的框架,Blend&Grind-HGNN(BG-HGNN),该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题,其通过将不同关系融合到一个统一的特征空间中,在参数可管理的单一参数集的帮助下,得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明,BG-HGNN 在参数效率(高达 28.96 倍)、训练吞吐量(高达 8.12 倍)和准确性(高达 1.07 倍)方面显著超过了现有的 HGNN。
Mar, 2024
提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架,通过生成 hierarchical structure,并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm,实现了对长程信息的高效访问,从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。
Sep, 2020
该论文提出了一种基于超图卷积网络的新型框架 HNHN 来进行超图表示学习,其中包括非线性激活函数和灵活的归一化方案,实验结果表明与现有方法相比,在真实世界数据集上表现更好,具有更高的分类精度和速度。
Jun, 2020