空间自适应滤波下的频谱图神经网络再思考

Jan, 2024

空间自适应滤波下的频谱图神经网络再思考

Rethinking Spectral Graph Neural Networks with Spatially Adaptive Filtering

Jingwei Guo, Kaizhu Huang, Xinping Yi, Zixian Su, Rui Zhang

TL;DR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。

Abstract

Whilst spectral graph neural networks (GNNs) are theoretically well-founded in the spectral domain, their practical reliance on polynomial approximation implies a profound linkage to the spatial domain. As previo

spectral graph neural networks spatial domain spectral filtering graph spectral filters spatially adaptive filtering

发现论文，激发创造

谱图神经网络调研

本文总结了谱图神经网络的最新发展，包括模型、理论和应用等方面的内容，其中介绍了谱性 GNN 能够捕捉全局信息，并具有更好的可表达性和可解释性。通过对现有谱性 GNN 的分析，本文梳理了主要理论结果和应用，最后进行了定量实验来评估几种常见的谱性 GNN 模型，为未来的研究提出了一些方向。

Feb, 2023

时空谱图神经网络

空间消息传递图神经网络（MPGNNs）具有学习图结构数据的广泛应用。我们提出了时空谱图神经网络（S$^2$GNNs），它在模型中结合了空间和频谱参数化图滤波器，从而解决了目前的局限性，并且在性能上超越了现有的方法。

May, 2024

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

具有多样化光谱滤波的图神经网络

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。

Dec, 2023

图上自适应特征传播：超越低通滤波器

提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

Mar, 2021

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

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

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

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

重新思考图神经网络在异常检测中的应用

本文提出基于 Beta 小波的图神经网络 BWGNN，包含局部化的频带通滤波器，以更好地处理异常的频谱现象，并在四个大规模异常检测数据集上证明了其有效性。

May, 2022