Dec, 2023

xNeuSM：具有图可学习多跳注意力网络的可解释神经子图匹配

PDF
TL;DRxNeuSM 是一种可解释的神经子图匹配方法，通过引入适应性学习多跳关注网络（GLeMA）来解决图匹配算法在大型图实例上的限制，实现了预测准确率的显著提升并且查询时间至少是精确算法的七倍快。
发现论文，激发创造
  • 神经子图匹配

    NeuroMatch 利用图神经网络将查询和目标图分解成小的子图，并在嵌入空间中直接实现子图匹配，实验证明其比现有的组合匹配方法快 100 倍，比现有的近似子图匹配方法精度高 18%。

    Jul, 2020

  • 可解释图神经网络的可解释性如何？

    以图分类 benchmarks 为基础，提出了一种理论框架，通过 subgraph multilinear extension (SubMT) 来学习可解释图子图，设计了一种新的图神经网络架构（Graph Multilinear neT），在解释性和泛化性方面优于现有方法，提高了多项 benchmarks 上的表现。

    Jun, 2024

  • 多层图匹配网络用于深度图相似度学习

    本研究提出了一种多层图匹配网络框架，其中包含节点 - 图匹配网络和连体图神经网络，可在纵横交错的多层交互中精确地计算图状对象之间的相似度，并证明其在图分类和回归任务中的有效性及稳健性。

    Jul, 2020

  • 规模化的双曲图神经网络：一种元学习方法

    本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。

    Oct, 2023

  • 通过非参数子图匹配解释图神经网络

    本文提出了一种非参数子图匹配框架 MatchExplainer 和增加范例 MatchDrop，用于解释图神经网络预测结果中的关键子结构，实验结果表明无论是在合成数据集还是真实世界数据集上都优于所有参数基线，并且我们的 MatchDrop 是一种通用的增强性能的方案。

    Jan, 2023

  • 学习解释图神经网络

    L2XGNN 是一种可解释型 GNN 框架，它能够学习选择解释性亚图，并指定其需要具备的属性，如稀疏性和连通性，从而提高预测的可解释性和准确性。它可以达到与传统方法相同的分类准确性，同时使用的仅仅是提供的解释所包含的亚图。

    Sep, 2022

  • SHINE: 子超图归纳神经网络

    本研究提出了一种基于超图的感知神经网络模型以实现基于亚图的预测，并将其应用于癌症分析以获得分子层面的生物学功能洞察。

    Oct, 2022

  • 基于注意力机制的图神经网络半监督学习

    本文提出一种使用注意力机制的图神经网络，通过去除中间的全连接层，并结合图结构实现对邻域的动态自适应的总结，从而达到降低参数数量，提高半监督学习效果的目的。

    Mar, 2018

  • 通过子图探索解释图神经网络

    本研究提出了一种名为 SubgraphX 的算法，采用蒙特卡洛树搜索来探索重要子图并使用 Shapley 值作为子图重要性的度量，从而以明确和直接的方式解释图神经网络 (GNNs) 的预测结果.

    Feb, 2021

  • MEGAN: 多说明图注意力网络

    该研究提出了一种名为 MEGAN 的多解释图注意力网络，可以独立选择多种解释途径，并在真实数据集上验证了其对提高研究的可解释性和精确性的能力。

    Nov, 2022