Topo-MLP:一种无需消息传递机制的单纯网络
通过将关于超图结构的信息整合到训练监督中,我们提出了一种新的学习框架 Hypergraph-MLP,它使用基于超图信号平滑性的损失函数来监督简单的 MLP 模型,在超图节点分类任务中表现出与现有基线相比具有竞争力的性能,并且在推理时更快且更稳健对结构扰动。
Dec, 2023
图神经网络在图结构化数据的表示学习任务中具有捕捉局部和全局模式的能力,但是长程和高阶依赖性带来了挑战。为了解决此问题,该论文提出了拓扑神经网络,并引入了基于拓扑结构的消息传递机制和多元关系归纳偏置,以更好地捕捉依赖关系和设计各向异性聚合方法。此外,还介绍了增强型细胞同构网络,通过增加拓扑消息传递机制,使环形结构中的节点组之间能够直接进行交互。
Feb, 2024
该论文提出了一种基于 Simplicial Message Passing 框架来处理分子结构的方法,其中包括用于量子化学性质预测的深度学习体系结构,并比传统的 MPNN 表现更好。
Jun, 2023
使用简单复合体传递信息的 MPSNs 模型比传统的图神经网络有更广泛的表达能力,可以用于多级交互和区分非同构简单复合体。
Mar, 2021
通过设计一种基于相似度的路径采样策略来捕获包含高阶同质性的连续路径以及提出一种名为 PathMLP 的轻量级模型来适应路径聚合,从而在异质性图形中有效地学习节点表示,并证明了其在缓解异质性问题方面的有效性和优越性。
Jun, 2023
本文提出了一个基于多层感知机的图神经网络模型 (Graph-MLP),通过利用图结构的监督信号,该模型仅使用多层感知机、激活函数和层归一化,而无需用到信息传递模块,在 loss level 中,设计了一个邻域对比损失 (NContrast),能够在大规模图数据和损坏的邻接信息中更轻巧、更强韧地进行分类任务,并证明了即使在测试阶段没有邻接信息,该模型仍然可以达到与最先进模型相媲美甚至更好的性能。
Jun, 2021
通过线性和非线性混合机制对降维复合体进行数据增强,提出一种凸聚类混合方法来处理多个降维复合体之间的数据驱动关系,实现了对现有数据的合成插值,并在简单复合体分类的合成和实际数据集上进行了方法验证。
Sep, 2023
该研究介绍了单纯神经网络(SNNs),作为图神经网络在特殊拓扑空间,即单纯复合体上的一般化形式。这种新的神经网络结构,能够处理包括向量场或 n 重合作网络等更多元的数据,也定义了适当的卷积方式,并在合著关系复合体的数据丢失方面进行测试。
Oct, 2020
本文提出了一种基于树的层次结构和有序神经元的图神经网络方法,解决了图中多次信息传递导致的过度平滑和异质性问题。实验证明,该方法在同质性和异质性场景下均能取得最优表现,并能有效防止图模型存在的过度平滑问题。
Feb, 2023