Jul, 2023

GraphRNN 再探：有向无环图的剖析研究与扩展

PDF
TL;DR通过复制 You et al. 的 GraphRNN 架构，我们评估了重现实现的 GraphRNN 架构与基准模型的新指标，并通过消融研究发现，You et al. 建议的 BFS 遍历在同构图的表示折叠中起到了重要作用。此外，我们通过使用拓扑排序替代 BFS 遍历，将 GraphRNN 扩展为生成有向无环图，证明这种方法在实际数据集上明显改进了 GraphRNN 的多类别有向变体。
graphrnngenerative modelsgraphsbfs traversaldirected acyclic graphs
发现论文，激发创造
  • 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

  • 有向无环图神经网络

    本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

    Jan, 2021

  • 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

  • 有向无环图上的 Transformer

    本篇论文研究了如何在 Transformer architecture 中注入图形结构偏差以更好地处理基于有向无环图的数据，包括构思了一个有效的注意机制来捕捉 DAG 的结构并提出了一种部分顺序的位置编码方法。作者在实验中证明了这个框架能够改善各种基线 transformers 的效果并使图 transformers 竞争力更强。

    Oct, 2022

  • 有向无环图上的卷积学习

    我们开发了一种新颖的卷积结构，专门用于从有向无环图 (DAGs) 的数据中学习。通过 DAGs，我们可以建模变量之间的因果关系，但它们的幂零邻接矩阵给开发 DAG 信号处理和机器学习工具带来了独特挑战。为了解决这个限制，我们利用了近期的进展，提供了 DAG 上信号的因果转变和卷积的备选定义。我们开发了一种新颖的卷积图神经网络，集成了可学习的 DAG 滤波器，以考虑图拓扑引起的部分排序，从而为学习 DAG 支持数据的有效表示提供了有价值的归纳偏见。我们讨论了所提出的 DAG 卷积网络（DCN）的显著优势和潜在限制，并使用合成数据在两个学习任务中评估其性能：网络扩散估计和源识别。DCN 相对于几个基线表现出有利的比较，展示了它的潜力。

    May, 2024

  • 使用循环图神经网络学习图算法

    针对图状数据的学习问题，该研究提出了一种基于递归架构的图神经网络算法，其关键在于使用跳过连接、状态规则化和边缘卷积等三种技术以实现对小型图问题的端到端学习及大规模图问题的推广。实验证明该算法具有较高的推广能力。

    Dec, 2022

  • 面场景标签化的 DAG - 循环神经网络

    本文介绍了使用循环神经网络处理有向无环图结构的图像标注，并结合卷积与反卷积层，使用提出的珍稀类别加权函数增强了局部表示的判别能力，取得了 SiftFlow、CamVid 和 Barcelona 基准测试的最新最佳结果。

    Sep, 2015

  • 使用循环神经网络学习图级表示

    本文提出了一种结合无监督和有监督学习组成的方法，通过利用 random walk 方法和 Gumbel-Softmax 分布将图节点映射到节点序列，然后使用修改后的 RNN 神经网络单位学习节点表示方法和它们的邻域信息，实验表明该方法优于或与现有算法相当，具有收敛速度快和准确度高的优点。

    May, 2018

  • 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

  • 有向无环图生成的深度 Q 学习

    利用深度强化学习，我们提出了一种生成有向无环图（DAGs）的方法，并能在高度稀疏的回报环境中生成满足特定拓扑与结点类型标准的有向边图。

    Jun, 2019