Oct, 2023

Agri-GNN：基于 GraphSAGE 的创新基因型 - 拓扑图神经网络框架用于优化产量预测

PDF
TL;DR利用 Agri-GNN 和图神经网络构建了一个基因 - 拓扑图神经网络架构，通过考虑农作物的空间和基因相似性来进行作物收成量的优化预测，取得了显著的改进。
agri-gnngraph neural networksgenotypic-topological filterharvest yieldscrop yield prediction
发现论文，激发创造
  • GTAGCN：广义拓扑适应图卷积网络

    基于广义聚合网络和拓扑自适应图卷积网络的混合方法，适用于顺序数据和静态数据的类型，在节点和图分类中都有良好的表现。

    Mar, 2024

  • 图代理网络：为节点赋予去中心化的通信能力，提高对抗韧性

    本文提出了 Graph Agent Network，一个图结构的代理网络，用于解决节点分类的抵抗者攻击。GAgN 通过节点之间的去中心化交互，可以学习推断节点的全局感知来执行任务，从而防止恶意消息在整个系统中传播，在扰动的数据集上实现了最佳的分类准确性。

    Jun, 2023

  • 利用 GNN-RNN 方法捕捉地理空间和时间信息：应用于农作物产量预测

    本文通过引入新的图形循环神经网络，将地理和时间信息嵌入到机器学习模型中，进一步提高了作物产量预测的预测能力，并验证了其在各种指标上优于现有的先进方法，为未来的研究提供了坚实的基础。

    Nov, 2021

  • 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

  • 走向时间边缘回归：一个关于国家间农业贸易的案例研究

    探索将图神经网络应用于静态和动态环境中的边缘回归任务，着重预测国家之间的食品和农业贸易价值，通过实验证明现有的基准模型在各种设置下表现出极强的性能，且 TGN 模型优于其他 GNN 模型，同时提到训练样本中负边的比例对测试性能有显著影响。

    Aug, 2023

  • 自适应核图神经网络

    该研究提出了一种新型的自适应核图神经网络框架（AKGNN），通过设计一种数据驱动的图内核学习机制来解决预定义核对于不同图之间间的泛化问题，同时通过参数化技巧和全局输出函数增强其表达能力，该方法在公认的基准数据集上展示了优异的性能表现。

    Dec, 2021

  • 有向无环图神经网络

    本文提出了一种基于 partial ordering 的神经网络结构 --DAGNN，该结构在 DAG 数据集上的表现优于先前的 DAG 结构和通用图形结构。

    Jan, 2021

  • 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

  • Auto-GNN: 图神经网络的神经架构搜索

    本文为了解决图神经网络结构设计中的耗时领域，提出了一种自动化图神经网络（AGNN）框架，使用强化学习的控制器去贪婪地验证架构，可以在预定义的搜索空间内找到最优的 GNN 架构，实现了参数共享的优化，可以大幅提升搜索效率，并在真实世界的基准数据集上进行了实验证明。

    Sep, 2019

  • 智能交通系统中应用门控图神经网络提高交通密度预测

    该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

    Oct, 2023