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
COllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构,通过选择性地传播来自相邻节点和相关属性类别的消息,并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色,超过了现有的嵌入算法。
Jul, 2023
本文研究网络嵌入的问题,提出了内容增强网络嵌入 (CENE) 的方法,该方法能够联合利用网络结构和内容信息,并通过将内容信息视为特殊节点来将文本建模和结构建模集成在一个通用框架中,试验结果表明,该模型在节点分类应用中胜过其他所有现有的网络嵌入方法,充分证明了内容信息和联合学习的优点。
Oct, 2016
本文全面回顾了增强记忆的图神经网络的现有文献,并通过心理学和神经科学的视角进行了分类和比较,提出了一些批判性的讨论和未来方向。
Sep, 2022
本研究对四种图神经网络架构及五种节点人工特征进行分析,应用于分类任务,并比较它们在不同隐藏层维度下的性能。结果表明,高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。
Jan, 2024
本文提出了一种有效的框架,称为语言模型图神经网络 (LM-GNN),通过分阶段的 BERT 模型微调来结合异构图结构与文本,以便在多项监督学习任务中实现节点和边分类以及链接预测,并在不同的数据集上评估了这个框架且在一个亚马逊搜索 - 购买 - 产品的应用中提供了有竞争力的结果。
Jun, 2022
通过解耦特征和图信息,提出了一种新的图神经网络框架(Decoupled Graph Neural Networks,DGNN),以获得更全面的节点嵌入表示,并通过在属性和图空间中探索不同的嵌入表示来提高节点分类的性能。
本文提出了一种新的特征提取方法 GraphViz2Vec,可以捕捉节点的局部邻域的结构信息来创建有意义的 GNN 模型的初始嵌入,这些初始嵌入有助于现有模型在各种分类任务中实现最先进的结果。
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
本文提出了一种新的元学习策略,能够生成可用于多个任务的多任务节点嵌入,并在多个任务上表现出比传统模型更高甚至可比的性能。该方法可以避免同时执行多个任务时出现的困难,是模型不可知和任务不可知的,适用于各种多任务领域。
Dec, 2020