图神经网络中消息传递的学习

KDDOct, 2023

Learning How to Propagate Messages in Graph Neural Networks

Teng Xiao, Zhengyu Chen, Donglin Wang, Suhang Wang

TL;DR该研究论文研究了学习图神经网络（GNNs）的信息传播策略的问题。为了克服图神经网络面临的传播策略定义问题，研究人员提出了一种学习传播框架，可以明确学习不同节点和各种类型图的易于理解和个性化的传播策略。通过对多种图基准进行广泛实验，结果表明该方法相较于其他最先进的方法具有显著的提高和在 GNNs 中能够有效地学习个性化和易于理解的传播策略。

Abstract

This paper studies the problem of learning message propagation strategies for graph neural networks (GNNs). One of the challenges for graph neura

learning message propagation strategies graph neural networks propagation steps learning framework personalized propagate strategies

发现论文，激发创造

图神经网络中的优先传播

提出了一个可用于学习节点优先级消息传播的通用框架 PPro，该框架可以与大多数现有的图神经网络模型集成，并通过相互增强的机制来计算节点优先级、最优传播步骤和标签预测，实验证明该框架在传播策略和节点表示方面具有卓越性能。

Nov, 2023

图神经网络的最优传播学习

本文提出一种基于双层优化的方法，通过直接学习个性化 PageRank 传播矩阵以及下游半监督节点分类并同时进行学习，学习最佳的图结构，并探索低秩逼近模型以进一步降低时间复杂度。实证评估表明，所提出的模型在所有基线方法中具有更高的有效性和鲁棒性。

May, 2022

使用优化框架解释和统一图神经网络

本文旨在建立不同传播机制之间的联合优化框架，总结了几种最具代表性的图神经网络，并提供了新的设计灵活性。本文还提出了两个考虑可调节图内核的新型目标函数，分别表现出低通或高通滤波能力，并提供了所提模型的收敛性证明和表达能力比较。

Jan, 2021

图元学习中的传播学习

本文提出一种基于显式任务关系图的原型分类的元学习算法，称为门控传播网络（GPN）。GPN 在学习原型信息时，利用关系图中的多个相关任务的信息进行消息传递和选择性聚合，并在多种场景下实验证明其优于现有元学习方法。

Sep, 2019

预测后传播：图神经网络遇见个性化 PageRank

本文通过引入 PageRank 的个性化传播机制，构建了 PPNP 和其快速逼近版本 APPNP 两种新的方法，其训练速度相当或更快，参数数量相当或更少，并且与任何神经网络结合使用，用于半监督分类，在最彻底的 GCN-like 模型的研究中，展示了该模型胜过几种近期提出的方法。

Oct, 2018

通过节点特征传播进行图神经网络的主动学习

本研究提出并验证了一种基于图神经网络的主动学习方法，应用于节点分类任务，其中通过节点特征传播和 K-Medoids 聚类完成样本的选取，并在四个基准数据集上实验进行验证，结果表明该方法优于其他基准方法。

Oct, 2019

扩张图传播

该研究使用扩展图形传递信息来提出了一种名为 EGP 的图神经网络，以解决全图分类或回归任务中的挑战，同时避免病态行为和过度压缩等问题，为解决 GNN 中的过度压缩问题开辟了一条新途径。

Oct, 2022

合作图神经网络

图神经网络是基于迭代计算的节点表示的图机器学习流行架构之一；本文提出了一个新的框架，用于训练图神经网络，其中每个节点可以选择自己的策略，从而更灵活地探索图拓扑结构并进行学习。

Oct, 2023

基于图神经网络的概率图模型推理

使用图神经网络作为一种有利于推断任务的推送算法，对于在循环密集的概率有向图上显著优于置信传播算法

Mar, 2018

元传播网络用于图少样本半监督学习

本文提出了一种基于元学习和标签传播的图神经网络架构 Meta-PN，以解决有限标记数据下图数据学习的问题，并在多个基准数据集上进行了实验验证。

Dec, 2021