Dec, 2023

基于卷积匹配的图缩减用于可扩展的图神经网络训练

PDF
TL;DR通过 CONVMATCH 算法和高度可扩展的变种 A-CONVMATCH，我们提出了一种用于创建保持图卷积输出的图摘要的算法，证明 CONVMATCH 在六个真实的链接预测和节点分类图数据集上是高效的，并且在显著减小图大小的同时保持了预测性能，特别地，在节点分类上，我们在图的摘要大小为原图的 1% 时，CONVMATCH 达到了 GNN 节点分类性能的 95%，并且在链接预测任务上，CONVMATCH 始终优于所有基准，达到了最多 2 倍的改进。
graph summarizationscalable graph neural networkconvmatch algorithmgraph convolutionlink prediction
发现论文，激发创造
  • 通过图缩减扩展图神经网络规模

    本文提出了一种使用图粗化来实现可扩展 GNN 训练的不同方法，详细介绍了图粗化操作的影响和选择方法，并表明图粗化也可看作一种正则化手段。实证结果表明，简单地应用成熟的粗化方法，可以将节点数降低到原来的十分之一而不会导致分类精度的明显下降。

    Jun, 2021

  • ClusterGNN：基于聚类的粗到细图神经网络，用于高效特征匹配

    使用自适应聚类模块将关键点分成不同的子图，从而实现降低冗余的连通性，减少运行时间和内存使用，同时在各种计算机视觉任务上具有竞争性的性能。

    Apr, 2022

  • GLMNet: 基于图学习的特征匹配网络

    提出了一种新的 “图学习 - 匹配” 网络（GLMNet）方法，它将图学习集成到图匹配中，采用 Laplacian sharpening 卷积模块提取节点嵌入特征，并通过设计新的约束正则化损失来优化图匹配，实验结果表明该方法有效，具有一些主要模块的优势。

    Nov, 2019

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019

  • 半监督学习中图卷积网络的深入洞察

    本文研究机器学习领域的图半监督学习，提出了基于图卷积网络的深度学习方法，解决了图卷积网络机制不清晰及需要大量标注数据的问题，并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证，研究结果具有实际应用价值。

    Jan, 2018

  • 集成二次分配网络用于图匹配

    通过图神经网络结合数据驱动和传统方法，该研究提出了一种解决图匹配问题的模型，该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用，并在几个任务上得到了显著的性能提升。

    Mar, 2024

  • 图神经网络的图压缩算法

    本篇研究提出并研究了图卷积神经网络 (GNNs) 的图压缩问题，旨在将原始大图压缩成小型合成图以提高神经模型训练的时间性能，通过优化梯度匹配损失和设计一种策略同时压缩节点特征和结构信息，有效地将不同图数据集压缩成信息丰富的较小图并将其用于训练各种 GNN 体系结构，测试结果在 Reddit 上可达到 95.3％，在 Flickr 上可达到 99.8％，在 Citeseer 上可达到 99.0％，同时将其图的尺寸缩小了 99.9％以上。

    Oct, 2021

  • 卷积集匹配用于图形相似度

    使用卷积神经网络在三个真实图形数据集上，展示了 GSimCNN 在计算结点间相似度方面的卓越性能。

    Oct, 2018

  • 几何图卷积神经网络：Geom-GCN

    本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

    Feb, 2020

  • 简洁图压缩

    通过简化图卷积网络在图浓缩过程中的度量对齐方法，提出了一种简化的图浓缩方法，该方法在性能表现上与现有方法相当，并且在速度上能够实现高达 10 倍的加速。

    Mar, 2024