洪水与回响：用分布式计算对 GNNS 进行算法调整

Oct, 2023

洪水与回响：用分布式计算对 GNNS 进行算法调整

Flood and Echo: Algorithmic Alignment of GNNs with Distributed Computing

Joël Mathys, Florian Grötschl, Kalyan Varma Nadimpalli, Roger Wattenhofer

TL;DR我们提出了一种受分布式算法设计原则启发的新执行框架：Flood and Echo Net，通过波浪式激活模式在整个图上传播消息，自然地推广到更大的实例，该模型在消息复杂性方面被证明更高效。

Abstract

graph neural networks are a natural fit for learning algorithms. They can directly represent tasks through an abstract but versatile graph structure and handle inputs of different sizes. This opens up the possibility for →

graph neural networks information exchange execution framework scaling extrapolation

发现论文，激发创造

图形算法的神经执行

通过在算法空间中训练 Graph Neural Networks 来解决基于图结构的问题，使用基于最大化的信息传递神经网络来实现离散决策，同时实现了任务迁移并提升学习效果。

Oct, 2019

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

具同调的异步算法对准

本文中，我们分离了节点状态更新和消息函数调用的概念，并得到了一个数学公式，以此来推导算法和神经网络中异步计算的过程。

Jun, 2023

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

深度均衡算法推理器

最近在神经算法推理方面的研究表明，图神经网络（GNN）可以学习执行经典算法。然而，这种方法始终使用了循环架构，其中每个 GNN 的迭代与算法的迭代相匹配。我们猜测并经验证，可以通过直接找到平衡点训练网络来解决算法问题，而不需要将每个 GNN 迭代与算法的步骤相匹配。

Feb, 2024

递归算法推理

本研究提出了一种使用栈来增强图神经网络（GNNs）的方式和一种捕获中间算法轨迹的方法，以改进递归算法的算法对齐，从而提高对较大输入图的泛化性能。

Jul, 2023

大规模动态图的解耦图神经网络

本文提出了一种分离式图神经网络方法，适用于连续型和离散型大型动态图，通过统一的动态传播方法，能够在预测任务中支持序列模型，实现了卓越的可扩展性和表现力，实验结果在连续型和离散型动态图上均达到了最先进表现。

May, 2023

DFA-GNN: 直接反馈对齐的图神经网络的前向学习

通过引入 DFA-GNN 方法以及伪误差生成器，本文提出了一种用于图神经网络的前向学习框架，通过优化网络的反馈链接，克服了 BP 算法的限制，并在半监督学习任务中展现了非常优异的鲁棒性。

Jun, 2024

图神经网络是动态规划程序员

本文研究了神经算法推理与图神经网络的最新进展，特别关注神经网络的动态规划以及范畴论和抽象代数，验证了它们之间的内在联系，得到在边缘任务上更坚实的 GNN 体系结构，并在 CLRS 算法推理基准测试中证明了实证结果。

Mar, 2022

带门控多跳邻居聚合的知识图谱对齐网络

本研究提出了一种名为 AliNet 的知识图谱对齐网络，通过引入远程邻居扩展对应实体的邻域，并采用注意力机制和门控机制，控制了直接邻居和远端邻居信息的整合，进而通过关系损失优化实体表示。在五个实体对齐数据集上的实验证明了 AliNet 的有效性。

Nov, 2019