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。
Oct, 2023
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
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
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
大规模图的实时推断对于图神经网络 (GNNs) 提出了一项重大挑战,但我们提出了一种在线传播框架和两种新的节点自适应传播方法来加速可扩展 GNNs 的推断过程,并通过简单的超参数灵活管理准确性和时延之间的平衡。此外,我们进一步提出了 Inception Distillation 来弥补推断准确性损失,实验结果显示我们的方法在精确性和效率上优于现有的图推断加速方法。
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
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
本文介绍了一种异步信息传递算法,利用单个同步信息传递迭代来推动最相关的边,使用基于有意义的稀疏节点邻域的节点自适应接受场,通过学习和组合不同大小邻域上的节点表示来捕获多尺度的相关性,并在五个现实世界数据集上提出了半监督节点分类的竞争对手,具有明显的统计优势和更快的运行时间。
Mar, 2020
基于可扩展图神经网络的自适应拓扑感知传播 (ATP) 提高了运行效率和预测性能,减少了潜在的高偏差传播,并以可插入式的节点传播优化策略无缝集成于大规模图神经网络,同时解决了冗余计算成本。
Feb, 2024
本文章提出了一种最短路径消息传递神经网络框架,可以解决节点间信息传递瓶颈以及节点无法直接通信的问题,从而实现更准确的图分类。
Jun, 2022