Jul, 2023

图神经网络中的最大独立集合用于汇聚

PDF
TL;DR在图像分类中，卷积神经网络通过卷积和池化实现了重大进展；然而，对于图中的池化方法存在着一些问题，如图的断开或过连接、低减少率和删除大部分图等。本文基于最大独立集的概念提出了三种池化方法，并通过实验结果确认最大独立集约束对图池化的相关性。
convolutional neural networksimage classificationgraph pooling methodsmaximal independent setsrelevance
发现论文，激发创造
  • 最大独立顶点集在图池化中的应用

    通过提出一种名为 MIVSPool 的新图池方法，该方法不会丢弃任何顶点信息，也不会人为地增加图的密度，通过最大独立顶点集（MIVS）选择存活的顶点和将其余的顶点分配给幸存者，实验结果表明在各种标准数据集上，该方法提高了图分类的准确性。

    Aug, 2022

  • 图神经网络中池化操作的重新思考

    本文研究图形池化（Graph pooling）对图神经网络（GNN）性能的影响，使用随机化或补图聚类的变体挑战了保留局部性表示的必要性，并表明了卷积层在学习表示中的领导作用。与普遍认为的不同，局部池化并非导致 GNN 在相关且广泛使用的基准测试中获得成功的原因。

    Oct, 2020

  • 具有 EigenPooling 的图卷积网络

    本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m，实验结果表明该框架具有良好的效果。

    Apr, 2019

  • 通过图信息最大化实现的图池化

    提出了 Coarsened Graph Infomax Pooling (CGIPool) 方法，通过最大化每个池化层输入和粗化图之间的相互信息来维护图级依赖关系，并应用对比学习和提出自注意力算法来实现相互信息神经最大化。在七个数据集上的大量实验结果证明了 CGIPool 相对于现有的最先进方法的优越性。

    May, 2021

  • 自注意力图池化

    本文提出一种基于自注意力机制的图池化方法，使用图卷积实现自注意力，同时考虑节点特征和图拓扑结构，实验结果表明该方法在基准数据集上具有优异的图分类性能。

    Apr, 2019

  • 图神经网络的边缩减池化

    本研究提出了一种名为 EdgePool 的图池化层，利用边缩减的概念来学习局部和稀疏的硬池化转换，证明 EdgePool 优于其他池化方法，并且易于集成到大多数 GNN 模型中，提高了节点和图的分类性能。

    May, 2019

  • 最大独立集：动态规划自学习

    本文提出了一种基于动态规划的图神经网络（GNN）框架来解决最大独立集（MIS）问题，通过递归算法构建子图并预测具有较大 MIS 的子图，进而在下一个递归调用中使用。我们通过对不同图形之间的 MIS 大小进行注释比较来训练算法，注释比较的输出结果用于自我训练过程，以提高注释比较的准确性。我们提供了在多个合成和真实数据集中证明我们算法优越性的数值证据。

    Oct, 2023

  • 图分类的团池化

    文章提出一种利用 cliques 作为单元池的新型图形合并操作，实现在图形卷积网络（GCN）和 GraphSAGE 架构中并进行标准图像分类基准测试，同时还探索了在常规图形中向后兼容合并的竞争性性能。

    Mar, 2019

  • 基于路径积分的异构图神经网络卷积和汇聚

    该研究论文通过扩展深度学习到图结构数据集，提出一种基于路径积分的图神经网络模型 (PAN 网络)，通过该模型中的卷积操作和节点的中心性得分以及边特征的处理，实现了对复杂异构图的预测任务。

    Feb, 2023

  • 卷积神经网络通过池化几何的归纳偏置

    本文研究卷积网络对其输入区域之间相关性的建模能力，并通过理论分析和实证验证，证明深度网络的池化几何形状是控制感性偏差的一种手段，使其在输入不同类型的数据时可以适应不同的偏差方向。

    May, 2016