具有多样化光谱滤波的图神经网络

WWWDec, 2023

具有多样化光谱滤波的图神经网络

Graph Neural Networks with Diverse Spectral Filtering

Jingwei Guo, Kaizhu Huang, Xinping Yi, Rui Zhang

TL;DR利用多样化光谱滤波的框架 (DSF)，在光谱图神经网络的基础上，通过自动学习节点特定的滤波权重，平衡局部和全局信息以捕捉全局图特征和挖掘多样的局部模式，从而提高节点分类任务的模型性能。

Abstract

spectral graph neural networks (GNNs) have achieved tremendous success in graph machine learning, with polynomial filters applied for graph convolutions, where all nodes share the identical filter weights to mine their local contexts. Despite the success, existing spectral GNNs usually

spectral graph neural networks diverse spectral filtering local structure global graph characteristics node classification tasks

发现论文，激发创造

BernNet: 基于 Bernstein 逼近学习任意图的谱滤波器

提出 BernNet 作为一种新型图神经网络，它通过 Bernstein 多项式逼近设计和学习任意图谱滤波器，能够学习任意的谱滤波器而不仅仅是预定义的或无约束的，从而在现实世界的图形建模任务中取得了出色的性能表现。

Jun, 2021

谱图神经网络的强大程度

本文研究了基于图信号滤波器的谱图神经网络的表达能力，证明了无需非线性函数就可产生任意图信号，并建立了表达能力与图同构测试之间的联系。提出了一种名为 JacobiConv 的新型谱图神经网络，该网络能在不使用非线性函数的情况下超越所有对比算法。

May, 2022

空间自适应滤波下的频谱图神经网络再思考

光谱图神经网络在空间域具有可解释性，通过建立光谱滤波和空间聚合的理论联系，揭示了光谱滤波将原始图形隐式导向适应的新图形，以进行空间聚合和反映节点之间的标签一致性，进而提出了一种新颖的空间自适应滤波 (SAF) 框架，通过光谱滤波和辅助的非局部聚合综合建模节点的相似性和差异性，在全局角度缓解了图神经网络与长距离依赖和图形异质性相关的不足，并在 13 个节点分类基准上进行了广泛实验，证明了该框架相较于现有模型的优越性。

Jan, 2024

快速局部谱滤波的图卷积神经网络

该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。

Jun, 2016

通过牛顿插值学习用于频谱 GNN 的图滤波器

通过对频谱图神经网络的理论和实证分析，研究发现，低频滤波器与同质程度呈正相关关系，而高频滤波器呈负相关关系，为此引入了一种基于牛顿插值的形状感知正则化技术，使多项式频谱滤波器可以与所期望的同质程度对齐。大量实验证明了 NewtonNet 在同质和异质数据集上显示出优越性能。

Oct, 2023

AdaGNN：具有自适应频率响应滤波器的图神经网络

提出了一种新颖的图神经网络框架 AdaGNN，其中包含了一种经过精心设计的自适应频率响应滤波器，可以在节点表示学习中捕获不同特征通道之间的内在差异，从而具有更强的表达能力并自然地缓解压平问题。在各种基准数据集上实证表明，所提出的 AdaGNN 框架具有很高的有效性，同时还提供了理论分析以证明其优越性。

Apr, 2021

拟框架波：图神经网络的另一项改进

本文提出了一种新颖的多尺度框架卷积设计用于谱图神经网络，该方法集成了直接设计在谱域中的过滤函数以提高对嘈杂图信号的鲁棒性，有效地减轻了嘈杂信号的负面影响，并利用异构图神经网络和多级图分析，嵌入了元路径上的拓扑信息。在现实世界的异构图和同构图中的实验表明，该方法取得了优越的性能。

Jan, 2022

基准评估光谱图神经网络：对效果和效率的全面研究

最近在图神经网络领域中，频谱图神经网络因其在频域捕捉图信号的特点而受到广泛关注，展示出在特定任务中的有希望的能力。然而，对于评估其频谱特征的系统研究还很少。此观点论文通过对超过 30 个包含 27 个相应滤波器的频谱图神经网络进行广泛的基准测试，分析和分类这些模型，并在统一框架下实现这些频谱模型，提供了对有效性和效率的多方位实验评估，并提供了在评估和选择性能良好的频谱图神经网络时的实用指南。我们的实现能够在更大的图上应用，性能可比且开销较小，可以从以下链接获得:

Jun, 2024

DFNets: 具反馈回路滤波器的图卷积神经网络

提出了一种基于谱卷积神经网络 (CNN) 的新型图结构数据模型，称为分布式反馈环路网络 (DFNets)，它结合使用一类强健的谱图滤波器 (feedback-looped filters) 并具有更好的定位能力，同时获得较快的收敛速度和线性内存需求；实验结果表明，该模型在半监督的文档分类和知识图谱实体分类两个基准任务上都显著优于现有的方法。

Oct, 2019

具有图卷积神经网络的稳健空间滤波

本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用，证明该方法在文档和分子分类问题方面具有国际领先水平。

Mar, 2017