Jan, 2024

无穷时域图滤波器：利用幂级数增强稀疏信息聚合

PDF
TL;DR提出了一种名为图力滤波神经网络（GPFN）的新方法，通过使用幂级数图滤波器来增强节点分类性能。GPFN 设计了一种新的建立图滤波器的方式，并论证了其能够集成任何幂级数并捕捉长程依赖关系，实验结果表明 GPFN 优于现有基准模型。
graph neural networksgnnsgraph learning tasksreceptive fieldgpfn
发现论文，激发创造
  • 因子图神经网络

    我们提出了一种能够有效捕捉高阶关系进行推理和学习的因子图神经网络模型，并通过适当选择信息聚合操作，实现了 Max-Product 和 Sum-Product 循环置信传播的单一架构。通过在真实和合成数据集上进行广泛的实验评估，证明了该模型的潜力。

    Aug, 2023

  • 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

  • 图神经网络的能力有多强？

    本文提出了一种理论框架来分析图神经网络的表达能力和限制，并阐述了如何有效地捕捉不同的图结构。通过提出的一个简单的架构，实验验证了理论的发现，并取得了最先进的性能。

    Oct, 2018

  • 强大的图神经网络是否必要？对图分类的解剖

    通过对图神经网络的线性化，本文将其拆成了基于图滤波和基于集合函数的两个部分，并发现在图滤波时采用线性结构，而在集合函数时采用非线性结构，得到了同样好的结果，从而提出了更简单且高效的建模方案。

    May, 2019

  • 图神经网络在节点分类方面逐渐失去表达能力

    对图神经网络进行研究，通过看其在无穷大层神经元的情况下的渐进行为，探讨了 GCNs 的表达能力，发现 GCNs 的表达能力与其底层图的拓扑信息相关，提供了一种基于权值归一化的方法，增强了真实数据下 GCNs 的性能。

    May, 2019

  • 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

  • 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

  • 增强带通滤波器逼近的光谱图神经网络的提升

    Spectral Graph Neural Networks (GNNs) have been widely used for graph learning tasks, but existing poly-GNNs face issues in approximating band-pass graph filters. In this paper, a novel poly-GNN called TrigoNet is proposed, which constructs graph filters using trigonometric polynomials and achieves superior performance in approximating band-pass graph filters.

    Apr, 2024

  • 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