Jun, 2023

通过可学习度量过滤器的扩散跳跃 GNNs 实现同质化

PDF
TL;DR提出使用渐进扩散差距的方法进行跳跃的扩散 - hops exploration，从而产生更具有动态支持的结构过滤器，建议用 Dirichlet 问题作为一种方法来在异类亲缘而不相关的标签分布的情况下学习逐段平滑的积淀空间，并使用 (可学习的) 渐进扩散距离、吸收随机漫步和 (具有可学习性) 随机扩散进行链接探索。
graph neural networkslatent spacesdiffusion-jump gnnsclassification errorsdirichlet problem
发现论文，激发创造
  • 异质分布传播的图神经网络

    本研究提出了异质分布传播（HDP）用于图神经网络，通过在训练期间基于伪指派将邻居自适应分为同质和异质部分，通过可信原型对比学习范式的正交性约束学习异质邻居分布，并通过一种新颖的语义感知信息传递机制传播同质和异质模式，实验证明该方法在异质数据集上优于代表性基线方法。

    May, 2024

  • 图上自适应特征传播：超越低通滤波器

    提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

    Mar, 2021

  • 图上的广义神经扩散框架

    提出了一个带有准确性项的一般扩散方程框架，从而形式化地建立了扩散过程与更多图卷积网络之间的关系，并通过实验证明了高阶邻居标签之间的相似性特征，推动了新型图扩散网络（HiD-Net）的设计。

    Dec, 2023

  • 同质性相关：面向多视角图聚类的自适应混合图滤波器

    提出了一种自适应混合图滤波方法（AHGFC）用于多视图图聚类，通过设计图联合处理和聚合矩阵，以使图中的低频和高频信号更可区分，进而基于图联合聚合矩阵学习节点嵌入，实验证明该方法在同质和异质图上表现出色。

    Jan, 2024

  • 超越同质性：重构图形结构进行对图形不可知聚类

    本文提出了一种新的图聚类方法，包括三个关键组成部分：图重构、混合滤波器和双图聚类网络。实验结果表明，在 11 个基准图上，该方法在异质图上的表现优于其他方法。

    May, 2023

  • 基于 $p$-Laplacian 的图神经网络

    本文提出了一种新的 GNN 模型：$^p$GNN，它实现了细胞特征和拓扑信息的同时分类，特别适用于异质图，其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。

    Nov, 2021

  • 现实世界图聚类的可证明过滤器

    对于图聚类问题，现有的图神经网络方法很难取得进展，同时大多数聚类方法只关注同质图而忽视异质图，限制了它们在实践中的适用性。本文提供了一种具有理论支持的新颖解决方案，通过邻居信息对同质性和异质性边进行识别，并构建高同质性和高异质性的图，用于构建低通滤波器和高通滤波器以捕获综合信息，并通过压缩 - 激励块增强重要特征，实验证明本方法在同质图和异质图上优于现有聚类方法。

    Mar, 2024

  • 通过牛顿插值学习用于频谱 GNN 的图滤波器

    通过对频谱图神经网络的理论和实证分析，研究发现，低频滤波器与同质程度呈正相关关系，而高频滤波器呈负相关关系，为此引入了一种基于牛顿插值的形状感知正则化技术，使多项式频谱滤波器可以与所期望的同质程度对齐。大量实验证明了 NewtonNet 在同质和异质数据集上显示出优越性能。

    Oct, 2023

  • 异质性下的自监督学习和图分类

    本文探讨了自监督学习在异构图表征学习中的表现，并提出了一种基于度量的自监督预训练策略来增强 GRN 的图结构捕捉能力。实验结果表明，该预训练策略在分子属性预测和蛋白质功能预测任务中取得了最先进的性能。

    Jun, 2023

  • 重新审视异质性对图神经网络的影响

    本文通过重新评估广泛使用的同质性度量，并从后集成节点相似性的角度研究了异质性。提出了一种新的度量方法，并证明了 local diversification operation 可以有效解决一些有害的异质性情况，然后提出了 Adaptive Channel Mixing（ACM）框架来自适应地利用聚合，多样性和标识通道，从而从多样化的节点异质性情况中提取更丰富的局部信息。经过 10 项基准节点分类任务的评估，ACM-augmented 基线始终实现了显着的性能提升，超过大多数任务上的最新 GNN，而不会带来显着的计算负担。

    Oct, 2022