本文介绍 HyperGCN,一种用于属性超图上的半监督学习以及组合优化的图卷积网络,旨在解决超图中普遍存在的复杂关系建模问题。
Sep, 2018
本文介绍了一种名为超曲线图元学习器(H-GRAM)的新方法,通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度,实现在处理不相关子图的查询任务上进行更快的学习,并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性,并且相较于传统的欧几里得方法,在大型图数据集上能够更好地提高性能。
Oct, 2023
本研究提出了一种超图神经网络 (HGNN) 框架,可以通过超图结构编码高阶数据相关性,并使用超边卷积操作处理数据相关性,以有效地进行数据表示学习。实验结果表明,HGNN 方法优于最新的最先进的方法,并且可以处理现实世界中的复杂数据和多模数据。
论文提出了一种基于图神经网络的异构超图表示学习框架,利用小波基于局部超图卷积来表征多种非成对关系,并通过广泛的实验表明该方法优于其他方法,在垃圾邮件检测等任务中也有显著的优势。
Oct, 2020
本文提出了一种名为 LFH 的超图学习框架,能够通过动态超边构建和注意力嵌入更新利用图的异质性属性进行超图学习,在多个数据集上的实验证明其有效性。
Jul, 2023
研究了超图神经网络的表达能力、学习和(结构)通用性的框架,着重研究如何从有限数据集中学习,并对任意输入大小的图推理问题进行结构上的泛化。
Mar, 2023
本文研究了图卷积神经网络在半监督学习环境下的算法稳定性及其一阶推论;通过分析单层 GCNN 模型的稳定性,导出其一般化保证,提出稳定性关于其卷积核最大绝对特征值的依赖规律,并说明产生保证所需的卷积核最大特征值与图大小无关,为设计保证的算法稳定性的新型及更好的卷积核提供新思路。最后在多个真实世界的图数据集上评估了实验结果,实验结果支持理论结果。
May, 2019
在节点分类的背景下,本文理论上证明了在超图上,大多数 HyperGNN 可以使用带有超图的加权团展开的 GNN 进行近似。通过加权团展开的 GNN,我们提出了一种简单高效的框架 WCE-GNN,用于超图节点分类,并在九个真实超图节点分类基准上的实验证明了 WCE-GNN 相比于最先进的 HyperGNN 具有更高的分类准确性,以及更好的内存和运行时效率。
Feb, 2024
本文介绍了一种新的框架,Blend&Grind-HGNN(BG-HGNN),该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题,其通过将不同关系融合到一个统一的特征空间中,在参数可管理的单一参数集的帮助下,得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明,BG-HGNN 在参数效率(高达 28.96 倍)、训练吞吐量(高达 8.12 倍)和准确性(高达 1.07 倍)方面显著超过了现有的 HGNN。
Mar, 2024
本文对当前超伽马线图神经网络的技术细节进行了全面的回顾,并将它们统一到一个通用框架中,并总结了每个组件的变体和相关应用,并提出了一些挑战,可能为进一步发展超伽马线空间的图学习成果提供指导。
Feb, 2022