Oct, 2023

通过学习有效的选择策略实现高效的子图图神经网络

PDF
TL;DR我们提出了一种名为 Policy-Learn 的新方法，该方法通过学习如何选择子图解决了学习从大量可能的子图中选择一个小子图集的问题，并在实验结果中表现优于现有的基线模型。
subgraph gnnscomputational complexitymessage passingsubgraph selection policiespolicy-learn
发现论文，激发创造
  • 有序子图聚合网络

    本文提供了一种统一的方法来研究增强次图 GNN 的架构，包括理论框架和对子图增强 GNN 可表达性的已知结果进行扩展，同时研究了三种用于学习采样子图的方法，通过实验证明了数据驱动架构可以提高标准基准数据集的预测精度，同时减少计算时间。

    Jun, 2022

  • 基于图策略网络的图可迁移主动学习

    通过强化学习训练一种基于图神经网络 (GNN) 的策略网络，来学习如何高效地标注图中的节点，以减少 GNN 训练的标注成本。该研究还证明了所学习的策略网络在同一领域和不同领域的图之间进行迁移学习的有效性。

    Jun, 2020

  • 结合随机解释器和子图神经网络可提高表达能力和可解释性

    该论文介绍了如何利用有意义的子图来加强图神经网络的表达能力，并提出了一个能够同时预测图分类和辅助解释性稀疏子图的新框架，其所提供的子图能够在保持相近精度的情况下提供说明性的解释。

    Apr, 2023

  • PolicyClusterGCN: 为训练图卷积网络识别有效簇群

    本文提出 PolicyClusterGCN, 该算法基于在线强化学习框架，学习策略网络以确定 GCN 训练的良好聚类，使用 Markov 决策过程公式化策略网络，该算法在节点分类任务上实现了超越现有技术的性能。

    Jun, 2023

  • 子图神经网络

    使用 SubGNN 模型对含有多个离散链接的生物医学数据集上的子图进行预测任务，通过神经路由机制，网络能够学习分离的子图表示，其中指定了三个信道以捕捉子图拓扑的不同方面，并在 8 个子图分类数据集上以及具有复杂拓扑结构和多个未连接组件的具有挑战性的生物医学数据集上优于基线模型 19.8%。

    Jun, 2020

  • 使用 GNNs 学习通用策略而不需要监督

    该研究利用图神经网络 (GNNs) 解决传统规划域的泛化策略学习问题。结果表明，这种方法可以获得最优性和广义性之间的平衡，从而实现泛化性能更好的规划。

    May, 2022

  • Policy-GNN：图神经网络的聚合优化

    本文提出了 Policy-GNN 方法，通过 meta-policy 学习采样策略和消息传递，以解决 GNN 中的聚合优化问题，提高对图数据的建模精度。实验表明 Policy-GNN 显著优于现有的替代方法。

    Jun, 2020

  • 等变子图聚合网络

    提出了一种名为 Equivariant Subgraph Aggregation Networks（ESAN）的新框架，它可以代表每个图形并将其处理为一个经过适当等变架构处理的子图集合，从而提高了图形信号处理的表现力。

    Oct, 2021

  • 使用图神经网络估计子图频率分布

    GNNS 是一种基于图神经网络的新型表示学习框架，可以高效地采样子图并估算其频率分布，达到与现有方法相当的准确性和显著的加速效果。

    Jul, 2022

  • DAG Matters! GFlowNets 增强图神经网络的解释器

    本研究提出了一种基于 GFlowNets 的 GNN Explainer（GFlowExplainer）方法，通过生成结构而非组合优化的方法来生成子图，加快对 GNN 预测结果的解释，并在综合性实验中证明了其优越性。

    Mar, 2023