GNN-LoFI: 基于本地特征的直方图相交的新型图神经网络

Jan, 2024

GNN-LoFI: 基于本地特征的直方图相交的新型图神经网络

GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection

Alessandro Bicciato, Luca Cosmo, Giorgia Minello, Luca Rossi, Andrea Torsello

TL;DR本文提出了一种新的图神经网络架构，用局部邻域中节点特征的分布分析替代了传统的信息传递方式，并通过直方图交集核函数将这些特征的相似性信息传播到网络中的其他节点，从而创造了一种类似于信息传递的机制。我们通过剔除实验评估了网络在不同超参数选择下的性能，并在标准图分类和回归基准测试中对模型进行了测试，结果表明它在性能上优于常用的图核函数和图神经网络方法。

Abstract

graph neural networks are increasingly becoming the framework of choice for graph-based machine learning. In this paper, we propose a new graph neural network architecture that substitutes classical message passing

graph neural networks message passing local distribution node features histogram intersection kernel

发现论文，激发创造

GNN-FiLM: 具有特征线性调制的图神经网络

该论文提出了一种基于特征线性调制（FiLM）的新型图神经网络（GNN）类型，该网络在分子图的回归任务上的表现优于基准方法并在其他任务上表现出竞争力。

Jun, 2019

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

节点分类的全局 - 局部图神经网络

提出了一种名为 Global-Local-GNN (GLGNN) 的方法，通过利用全局和局部信息以及节点标签和特征的学习，提高了节点分类 GNNs 的性能，并显示了全局信息利用对节点分类的重要性。

Jun, 2024

Neo-GNNs: 邻域重叠感知的图神经网络在链接预测中的应用

我们提出了一种名为邻域重叠感知图神经网络（Neo-GNNs）的方法，可以从邻接矩阵中学习有用的结构特征，预测链接，表现出比传统启发式方法更好的性能，可处理重叠的多跳邻域结构信息。

Jun, 2022

大规模网络定位的图神经网络

本研究采用图神经网络（GNN）解决经典的非线性回归问题 —— 网络定位，并发现 GNN 在精度、鲁棒性和计算时间方面潜在成为大规模网络定位的最佳解决方案，适当的通信范围阈值对其高性能至关重要。此外，本研究提出的基于 GNN 的方法通过数据聚合、非线性可见性去噪和低通滤波等技术使其在邻居选择阈值上的优化成为可能。仿真结果表明，该方法远优于先前的最新基准。

Oct, 2020

KerGNNs: 基于图核的可解释图神经网络

本文提出了一种新的 GNN 框架，称为 “核图神经网络”，将图核函数集成到 GNN 的消息传递过程中，通过卷积滤波器使用可训练图作为图过滤器与子图相结合来更新节点嵌入，并显示 MPNN 可以视为 KerGNN 的特殊情况，该方法在多个图相关任务中表现出具有竞争力的性能，并提高了模型可解释性与传统 GNN 模型相比。

Jan, 2022

学习图神经网络中的图网络

本篇论文提出了一种新的图形神经网络 GL-GNN，通过学习关系的图形和选择重要数据特征以解决未知图形、节点具有嘈杂特征和图形含有噪声连接等三个问题，并在多个数据集上与基线方法进行对比，能够选择重要特征和图形边缘。

Oct, 2022

终身图学习

该论文将图神经网络和终身学习相结合，通过引入特征图拓扑结构并将节点转换为独立的图来将节点分类问题转化为图分类问题，实现了对经典图数据集的连续学习，并在人体动作识别和特征匹配等领域达到了卓越的性能。

Sep, 2020

鲁棒大规模网络定位的注意力图神经网络

提出了一种基于图神经网络的网络定位方法，通过结合关注机制，在严重的非直线视线传播情况下实现了卓越的稳定性和准确性，消除了离线校准或非直线视线识别的需求。

Nov, 2023

分级消息传递图神经网络

提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架，通过生成 hierarchical structure，并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm，实现了对长程信息的高效访问，从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。

Sep, 2020