EMNLPOct, 2023

DepWiGNN: 文本中的多跳空间推理的深度图神经网络

PDF
TL;DR我们提出了一种新的深度分层图神经网络（DepWiGNN）用于空间推理，在两个具有多跳空间推理数据集上的实验证明 DepWiGNN 优于现有的空间推理方法，并与其他三种图神经网络进行了比较来展示其在图中捕捉长依赖性方面的优势。
spatial reasoninggraph neural networksdepwignnmulti-hop reasoninglong dependency
发现论文，激发创造
  • 深度时空图建模的图卷积网络 (Graph WaveNet)

    本文介绍了一种新型的图神经网络，Graph WaveNet，它采用了自适应依赖矩阵和扩张卷积组件，能够精确捕捉数据中的隐藏空间依赖关系和处理非常长的时间序列，通过在两个公共交通网络数据集中的实验结果，证明了我们算法的优越性。

    May, 2019

  • 树分解图神经网络

    本文提出了一种基于树分解的图神经网络，可减轻不同层之间的特征平滑，并利用多跳依赖来聚合信息，实验结果表明其在 homophily 和 heterophily 网络的节点分类设置下有卓越的表现。

    Aug, 2021

  • 使用生成参数的图神经网络进行关系提取

    本文提出了一种基于自然语言句子来生成图神经网络参数的方法（GP-GNNs），使 GNN 能够处理非结构化文本输入的关系推理，验证了在文本关系抽取中的有效性，并展示了我们的模型通过多跳关系推理可以发现更准确的关系。

    Feb, 2019

  • NDGGNET：基于结点无关门的图神经网络

    该论文提出了一种新的框架，使用基于节点度数的门控机制动态地调整图神经网络的层数，从而增强信息聚合的能力并减少过度平滑，通过实验验证该模型在多个数据集上表现良好。

    May, 2022

  • GNNs，更强，更深，更快

    本研究以 k-hop 子图聚合为基础，提出了一种新的 GNN 表达能力分析视角和名为 SDF 的基于采样的节点级剩余模块，理论推导和大量实验证明 SDF 模块比以前的方法具有更高的表达能力和更高的效率。

    May, 2023

  • EIGNN: 高效的无限深度图神经网络

    本篇论文提出了一种使用无限深度的图神经网络模型 ——Efficient Infinite-Depth Graph Neural Networks (EIGNN) 来有效捕获底层图中的长程依赖性，同时可以使用特征值分解来实现更有效的计算。实验结果表明，该模型在捕获长程依赖性方面比现有模型表现更好，并且在不同噪声和对节点特征的对抗扰动下表现更为鲁棒。

    Feb, 2022

  • 关系图卷积神经网络用于多跳推理的比较研究

    本文旨在探索多站点问答任务的 RGCN 模型、图形关系和节点嵌入，并在 WikiHop 数据集上经验性地探讨每个关系、节点类型和嵌入对多站点 QA 性能的影响。

    Oct, 2022

  • 迈向更深的图神经网络

    本研究对图神经网络进行深入探究，提出了解决深度学习中过度平滑问题的新方法，并通过实验证明了其在引文、合著和共同购买等领域的卓越表现。

    Jul, 2020

  • 自动图神经网络

    本研究提出自动设计深层 GNN 的方法，其中添加了新型的跳跃连接以促进特征重用和缓解梯度消失问题，并允许进化算法在演化过程中增加 GNN 层数来生成更深的网络，在 Cora、Citeseer、Pubmed 和 PPI 数据集上实验表明，GNNs 的生成结果具有最先进的性能。

    Nov, 2020

  • 图神经网络：方法和应用综述

    本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

    Dec, 2018