有证据的有向多重图神经网络

Jun, 2023

Provably Powerful Graph Neural Networks for Directed Multigraphs

Béni Egressy, Luc von Niederhäusern, Jovan Blanusa, Erik Altman, Roger Wattenhofer...

TL;DR本文提出了一系列简单的改进方法，将标准消息传递图神经网络（GNN）转化为可证明强大的有向多重图神经网络，并将其应用于金融犯罪分析和网络钓鱼检测等任务中，得出了极好的实验结果。

Abstract

This paper proposes a set of simple adaptations to transform standard message-passing graph neural networks (GNN) into provably powerful directed multigraph neural networks. The adaptations include multigraph por

graph neural networks multigraph neural networks subgraph pattern financial crime analysis phishing detection

发现论文，激发创造

有向图神经网络是否具有对抗性鲁棒性？

本研究首次探讨有向图在提供网络固有结构丰富信息方面的重要性，为了增强 GNN 的鲁棒性和弹性，我们提出一种全新的信息传递框架作为插件层，并结合现有的防御策略，取得了优异的干净精确度和最先进的鲁棒性能，具有超强的防御转移和自适应攻击的作用。

Jun, 2023

图神经网络的表达能力与对抗鲁棒性的视角

我们进行了第一个敌对鲁棒性研究，针对比传统的消息传递神经网络（MPNNs）更强大的图神经网络（GNNs）。具体而言，我们使用敌对鲁棒性作为一种工具，揭示了它们在理论上可能的表达能力与实际达到的表达能力之间的显著差距，并针对 GNNs 计算特定子图模式的能力，这是一种已建立的表达能力度量，将敌对鲁棒性的概念扩展到了该任务上。基于此，我们开发了有效的对抗攻击子图计数，并表明更强大的 GNNs 甚至无法适应对图结构的轻微扰动。此外，我们还展示了这种架构在超出分布的图上也无法计算子结构。

Aug, 2023

身份感知图神经网络

本文提出了一种名为 Identity-aware Graph Neural Networks (ID-GNNs) 的消息传递图神经网络，通过节点中心的次元网络和异构消息传递来考虑节点的身份，在图形预测任务中比传统的 GNNs 提供更高的准确性。

Jan, 2021

Ego-GNNs：利用 Ego 结构在图神经网络中

本研究提出了新的 Ego-GNN 方法，通过增加在每个节点周围子图中定义的信息来扩展 GNN 的消息传递操作，并证明了 Ego-GNN 比标准消息传递 GNN 更强大，能够识别封闭三角形，从而在绝大多数现实世界的图中更有效地进行节点分类。

Jul, 2021

通过边级别自我网络编码改进子图 - GNNs

通过提供额外的节点和边缘特征或扩展消息传递格式，我们提出了一种新颖的用于在图上学习的边缘级自我网络编码，可以提升消息传递图神经网络（MP-GNNs）的能力。理论上，该编码比基于节点的子图 MP-GNNs 更具表现力。在四个基准测试和 10 个图形数据集的实证评估中，我们的结果在表现力、图形分类、图形回归和接近性任务方面与之前的基准线相匹配或有所提高，同时在某些实际环境中减少了 18.1 倍的内存使用。

Dec, 2023

GemNet: 面向分子的通用定向图神经网络

本研究介绍了一种新型的 Geometric Message Passing Neural Network（GemNet）结构，采用了定向边嵌入和双跳消息传递，展现出图神经网络在预测分子动力学方面的强大效果和广阔前景。

Jun, 2021

让我们达成一致：比较基于消息传递框架下的图卷积网络

本文将图上定义的神经网络呈现为信息传递神经网络（MPNN），通过研究不同类别的这些模型的区别能力，探讨它们的识别能力，研究传统的图神经网络和卷积图神经网络对顶点进行特征标注的能力的界限，并使用 Weisfeiler-Lehman 算法对 MPNNs 的区分能力进行了上下界的研究。

Apr, 2020

使用双重信息传递的图卷积网络进行子图同构计数和匹配

本文提出一种基于边 - 顶点转换和对偶图同构性质的双重消息传递神经网络 (DMPNNs) 模型，用于在异步方式下加强子结构表示学习，适用于子图同构计数和匹配以及无监督节点分类任务。大量实验在合成和真实异构图中展示了 DMPNNs 结合节点和边表示学习的鲁棒性能，代码可在给出的网址中获取。

Dec, 2021

图形算法的神经执行

通过在算法空间中训练 Graph Neural Networks 来解决基于图结构的问题，使用基于最大化的信息传递神经网络来实现离散决策，同时实现了任务迁移并提升学习效果。

Oct, 2019

边缘定向性改善异质性图上的学习

本文提出了 Directed Graph Neural Network (Dir-GNN) 模型，用于在定向图上进行深度学习，将 incoming 和 outgoing edges 进行独立聚合，以利用方向性信息来增强图的同质性。比较了多种模型并在异质性数据集上进行了广泛实验，结果证明 Dir-GNN 可以在异质性图上取得最好的表现。

May, 2023