FlowHON: 使用高阶网络表示流场
针对复杂系统中的高阶交互作用,本论文提出了一种利用简单复合物的丰富数学理论的新方法,介绍了一种嵌入简单复合物中的高阶 Flower-Petals 模型,并引入了基于 FP Laplacians 的高阶图卷积网络 (HiGCN),能够识别在不同拓扑尺度上的内在特征,通过可学习的图滤波器来量化高阶交互作用强度,实现了先进的表达能力,并在各种图任务上达到了最先进的性能。
Sep, 2023
利用细胞韵奏增强了超图的表示方法,并设计了 Sheaf Hypergraph Neural Networks 和 Sheaf Hypergraph Convolutional Networks 模型,通过广泛的实验表明这种泛化显著提高了性能,在多个超图节点分类基准数据集上取得了最佳结果。
Sep, 2023
本文研究了交通流预测问题,通过建模交通网络和过去的交通状况来预测未来的交通情况。为了解决现有方法在复杂交通网络中表现不佳的问题,本文提出了一种名为动态超图结构学习 (DyHSL) 的新模型,该模型通过提取超图结构信息来学习非成对关系,并通过聚合来自关联超边的消息来更新每个节点的表示。为了捕捉道路网络中的高阶时空关系,介绍了互动图卷积块,进一步模拟每个节点的邻域交互。最后,将这两个视角整合到一个综合的多尺度相关性提取模块中,该模块通过不同尺度的时间池化来建模不同的时间模式。对四个流行的交通基准数据集进行了大量实验证明了我们提出的 DyHSL 与广泛的竞争基准相比的有效性。
Sep, 2023
本研究提出一种名为 FlowX 的新方法,通过识别重要的信息流来解释图神经网络的工作机制,结果表明 FlowX 能够提高图神经网络解释性。
Jun, 2022
GNNFlow 是一个分布式框架,可以在多 GPU 机器上进行高效的连续时态图表示学习,支持动态图并采用自适应的时间索引块数据结构、混合 GPU-CPU 图数据放置、GPU 缓存以及优化策略等技术,实现了比现有系统快 21.1 倍的连续学习效果。
Nov, 2023
本文提出了基于生成式流网络的图主动学习问题的创新形式:GFlowGNN。我们提出了流节点和流特征的概念,以便有效地将图建模为基于流的生成流网络。 并在实际数据集上进行了广泛的实验,证明了该方法具有良好的探索能力和可转移性,表现优于各种最先进的方法。
Apr, 2023
ClusterFlow 可以在卷积神经网络上运行,利用训练数据的多维分类和特征数据来构建类 / 特征的高超图,并通过三个任务展示 ClusterFlow 如何使现代深度卷积神经网络更具人类感性功能,以及 ClusterFlow 如何适用于非卷积数据并处理缺失数据。
Apr, 2023