Jul, 2023

GRAN 比 GraphRNN 表现更优：基于节点顺序，核和图嵌入的度量用于图生成器

PDF
TL;DR研究比较了基于核方法和流形方法的度量方法，发现流形方法在图嵌入空间中优于核方法；在此基础上运用这些度量方法比较了两个常见的图生成模型 GraphRNN 和 GRAN，揭示了节点排序的影响，发现 GRAN 比 GraphRNN 更优，作者的新算法对小型图效果更好。研究还提供了关于数据集选择和节点特征初始化的良好实践指南，并且有开放源代码与可再生实验。
发现论文，激发创造
  • 基于图循环注意力网络的高效图生成

    本文提出了一种名为 GRAN 的新型图形回归注意力网络的有效且表达性强的深度生成模型，能够生成高质量大规模图形，同时与之前的 RNN-based 生成模型相比，GRAN 使用了 GNN 和注意力机制更好地捕捉到已生成和待生成部分的条件之间的自回归关系，并在输出分布上采用伯努利分布的混合来捕捉区块内的生成边之间的相关性，同时在处理节点顺序方面也提出了一些新的解决方法。

    Oct, 2019

  • 图生成模型的评价指标

    通过引入基于未训练随机 GNN 提取的特征的几个度量标准，完全测试了这些度量标准衡量生成的图的多样性和保真度的能力、其样本和计算效率，并推荐了两种新的度量标准，以用于对 GGM 的评估。

    Jan, 2022

  • GRANP: 适用于车辆轨迹预测的图形递归注意力神经过程模型

    GRANP 是一种新颖的模型，用于车辆轨迹预测并高效地量化预测不确定性。它采用了利用深度生成模型来解决轨迹不确定性的方法，并在解决了效率问题的同时取得了最先进的结果。

    Apr, 2024

  • 基于图注意力机制的可扩展图生成模型

    本文介绍了一种可扩展的图生成模型 GRAM，其采用一种新颖的图注意机制和评估方法，在节点 / 边标签图生成任务中表现出较高的性能。

    Jun, 2019

  • GRAND+: 可扩展的图形随机神经网络

    该论文提出了一种可扩展和高性能的图嵌入算法 GRAND+，并包含了推广前推（GFPush）算法和置信一致性损失来提高其准确性和泛化能力。实验结果表明，GRAND + 可以扩展到大型图并比现有的可扩展 GNNs 具有更少的运行时间和更高的准确性。

    Mar, 2022

  • 使用深度自回归模型生成逼真的图形

    GraphRNN 是一种基于自回归模型的图生成模型，可以在没有先验结构假设的情况下模拟任何图分布，并且可以比现有的深度模型扩展到 50 倍以上规模的生成，而引入的基准测试集和最大平均差异评估方法可以有效评估模型表现。

    Feb, 2018

  • GRANOLA: 图神经网络的自适应归一化

    提出了一种用于图神经网络层的新型图自适应归一化层 GRANOLA，利用随机节点特征在图中传播来产生明确的邻域结构表达，理论支持，并在各种图基准测试中证明了其优越性能。

    Apr, 2024

  • 图随机神经网络用于图半监督学习

    提出了一个名为 GRAPH RANDOM NEURAL NETWORKS (GRAND) 的图随机神经网络框架，通过设计随机传播策略来进行图数据增强，并利用一致性正则化优化不同数据增强下未标记节点的预测一致性，实验证明该方法显著优于现有的基准 GNN 在半监督节点分类上，并且缓解了过度平滑和非鲁棒性问题，展现了比现有 GNN 更好的泛化行为。

    May, 2020

  • 深度图生成器：综述

    本综述对基于深度学习的图形生成方法进行了全面调查，并将其分为自回归，自编码，强化学习，对抗生成和流生成五类，给出了各类方法的详细描述，并介绍了公开源代码，常用数据集和最广泛使用的评估指标，最后强调了现有的挑战和讨论了未来的研究方向。

    Dec, 2020

  • 用于基准测试图神经网络的图生成模型

    提出了一种名为 Computation Graph Transformer（CGT）的图形生成模型，它可以在保证隐私的前提下，生成大规模真实世界图的有效基准图，用于作为 Graph Neural Networks 模型的基准测试。

    Jul, 2022