WWWFeb, 2024

带有改进随机游走核的描述性卷积网络

PDF
TL;DR该研究提出了改进的图核函数 RWK+，引入了颜色匹配的随机游走并导出了高效的计算方法，进而提出了使用 RWK + 为核心的 KCN 模型 RWK+CN，通过无监督目标学习描述性图特征。此外，该研究还在实验中展示了 RWK + 的表达能力以及 RWK+Conv 层在图级任务上的有效性，并说明了 RWK + 和 RWK+Conv 在各种真实世界应用中的适应性。
graph kernelskernel convolution networksrandom walk kernelunsupervised objectivegnn layer
发现论文，激发创造
  • 基于随机游走的 1D 卷积图学习

    本研究提出了 CRaWl，一种基于 1D CNNs 处理小子图序列的神经网络架构，用于图学习，可高效地进行小子图计数和随机游走技术，并在分类和回归上的图多个基准数据集上，表现出与最新 GNN 架构匹配或优于其表现。

    Feb, 2021

  • 通过匿名行走图核函数理论上提升图神经网络性能

    本文提出基于匿名行走和图核映射的 GSKN 图神经网络模型，理论证明其在区分图结构方面有更强的能力，并在实验证明了其胜过多个基线模型。

    Apr, 2021

  • 图核函数

    通过扩展线性代数到再生核希尔伯特空间（RKHS）并将其简化为 Sylvester 方程的算法，我们构建了一个统一的框架来研究图形内核，这使得内核计算的时间复杂度从 O（n^6）降至 O（n^3），当图形稀疏时，共轭梯度求解器或固定点迭代带入子立方域。

    Jul, 2008

  • 基于随机游走回程概率的图核函数

    提出基于随机游走返回概率的图核计算框架，使用各种节点属性进行有效利用，并在广泛的图分类实验中证明了其显著优越性。

    Sep, 2018

  • 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

  • 卷积随机游走网络用于语义图像分割

    本文介绍了一种简单却有效的 Convolutional Random Walk Network（RWN）用于解决 FCN 中存在的问题，通过 Pixelwise Affinity 和语义分割共同优化这两个目标，通过新型随机游走层组合这两个目标，从而在深层网络中实现一致的空间分组。与传统的 FCN 相比，我们的实现仅需要 131 个额外的参数，却在语义分割和场景标记方面始终保持着优势。

    May, 2016

  • 用于图结构数据的卷积核网络

    本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简单的模型解释。

    Mar, 2020

  • 自适应核图神经网络

    该研究提出了一种新型的自适应核图神经网络框架（AKGNN），通过设计一种数据驱动的图内核学习机制来解决预定义核对于不同图之间间的泛化问题，同时通过参数化技巧和全局输出函数增强其表达能力，该方法在公认的基准数据集上展示了优异的性能表现。

    Dec, 2021

  • 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

  • 使用受监督的卷积核网络进行端到端核学习

    本文提出了一种基于多层核机的图像表示方法，并通过监督学习来调整核的形态。该方法构建了一种新的卷积神经网络，在一些深度学习数据集上取得了良好的分类表现，表明了该方法在图像相关任务中的应用价值。

    May, 2016