辛几何结构感知哈密顿（图）嵌入

Sep, 2023

辛几何结构感知哈密顿（图）嵌入

Symplectic Structure-Aware Hamiltonian (Graph) Embeddings

Jiaxu Liu, Xinping Yi, Tianle Zhang, Xiaowei Huang

TL;DRSAH-GNN 是一种新颖的方法，它通过在培训过程中采用对称史蒂费尔流形上的黎曼优化，以自适应地学习底层辛结构，从而推广了 Hamiltonian 动力学，实现了对各种图数据集的自动适应性，具有出色的节点分类任务性能和适应性。

Abstract

In traditional graph neural networks (GNNs), the assumption of a fixed embedding manifold often limits their adaptability to diverse graph geometries. Recently, hamiltonian system-inspired gnns are proposed to ad

graph neural networks hamiltonian system-inspired gnns sah-gnn riemannian optimization node classification tasks

发现论文，激发创造

自注意力增强的图卷积网络：结构学习和节点嵌入

本研究提出了一种名为 GCN-SA 的新型图学习框架，它具有出色的节点级表示学习的泛化能力，并且通过自注意机制和改进的转换器块实现了对长程依赖关系的捕捉，从而使其能够在具有不同程度同质性的图上进行表示学习。

Mar, 2024

图神经网络中的神经哈密顿轨道节点嵌入

本文提出了一种基于哈密顿轨道的图节点嵌入策略，该策略可以自动学习给定图数据集的底层结构，并成功地将其应用于节点分类和连接预测。在数值实验中，该方法表现出比流行的现有 GNN 模型更好的适应性。

May, 2023

Hamiltonian GAN

使用 Gan 神经网络以及 Hamiltonian 动力学模型，在无需预先设计结构假设的情况下，学习配置空间，并通过周期坐标损失函数提高可解释性，以在视频生成中实现高效和有优势的方法。

Aug, 2023

三维原子系统的几何 GNN 指南

计算模型，几何图，几何图神经网络，三维原子系统，机器学习架构

Dec, 2023

哈密尔顿生成网络

本文介绍了哈密顿生成网络 (HGN) 和神经哈密顿流 (NHF)，这是第一种能够从高维度观察中连续地学习哈密顿动力学而无需限制性条件的方法，它能够可靠地从机器学习的角度解决很多问题。

Sep, 2019

辛泊克循环神经网络

本文提出了一种名为对称循环神经网络的学习算法，其可以从观察到的轨迹中捕获物理系统的动力学，并通过神经网络模型系统的哈密顿函数，结合较为复杂的多步训练和初始状态优化来解决哈密顿系统所涉及的数值问题，从而成功的处理包括噪声和复杂系统在内的哈密顿系统及其他动力学系统。并提出如何用扩展的 SRNN 集成方案来处理像弹球这样的非常振动力学系统。

Sep, 2019

用 Hamiltonian 图神经网络直接从轨迹中发现符号规律

利用哈密尔顿图神经网络 (HGNN) 直接从物理系统轨迹学习系统动力学，推断能量泛函的根本方程，并从物理系统轨迹中透明地发现相互作用定律。

Jul, 2023

协同深度图聚类网络

使用图神经网络（GNNs）学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而，现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明，增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示，而高质量的节点表示可以指导结构的增强，从而提高结构的可靠性。此外，现有基于 GNNs 的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好，但在具有低同质性的图上表现较差。为此，我们提出了一个名为 Synergistic Deep Graph Clustering Network（SynC）的图聚类框架。在我们的方法中，我们设计了一个名为 Transform Input Graph Auto-Encoder（TIGAE）的模型来获取高质量的嵌入，并用于引导结构增强。然后，在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入，并进行自监督聚类。值得注意的是，表示学习和结构增强共享权重，从而大大减少了模型参数的数量。此外，我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在 GitHub 和 Code Ocean 上发布。

Jun, 2024

简单高效的异构图神经网络

本论文通过对异构图神经网络（HGNN）中注意力机制、多层结构进行深入研究，提出了 Simple and Efficient Heterogeneous Graph Neural Network（SeHGNN），该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息，采用长元路径和 Transformer 语义融合模块来更好地利用语义信息，结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。

Jul, 2022

SAGMAN：基于流形的图神经网络稳定性分析

通过引入一种称为 SAGMAN 的谱框架来评估 GNN 的稳定性，所提出的距离保持图降维 (GDR) 方法通过谱图嵌入和概率图模型 (PGMs) 创建了低维的输入 / 输出基于图的多样性，以便进行有意义的稳定性分析，实证评估表明 SAGMAN 能够有效评估每个节点对各种边缘或特征扰动的稳定性，并在推荐系统等应用中提供了一种可扩展的评估 GNN 稳定性的方法，同时还展示了它在下游任务中的实用性，特别是在增强 GNN 稳定性和促进对抗性有针对性攻击方面。

Feb, 2024