ICLRFeb, 2024

CoRe-GD: 可扩展图可视化的层次框架与 GNNs

PDF
TL;DR图可视化，也称为图绘制，旨在找到优化特定标准的图形嵌入。本文介绍了一种基于可学习的子二次运行时的可缩放图神经网络（GNN）的图绘制框架，可以学习优化应力，并提出了一种基于中间节点位置的新型位置重连技术，实现了最先进的性能。
graph visualizationgraph drawingstress optimizationgraph neural networkpositional rewiring technique
发现论文，激发创造
  • 多层最大熵压缩法绘制大规模图形

    本文介绍了一种利用多层算法计算基于布局应力和熵的新型度量的图形布局的算法。与以前的工作不同，我们不是用典型的数值求解器解决最大熵 - 应力度量的线性系统，而是在多级方法中使用简单的本地迭代方案。为了加速局部优化，我们近似长程力并使用共享内存并行性。根据实验证明了我们的方法的高潜力，特别适合动态图，与之前最好的最大熵 - 应力优化器相比，我们的并行实施对于静态图像平均快 30 倍，而产生相似的解决方案质量。

    Jun, 2015

  • 应用图神经网络预测均匀受载钢板的应力

    本研究提出了一种新颖的图嵌入技术，通过将分离的板域视为顶点，利用图采样和聚合（GraphSAGE）预测具有不同几何形状的加劲板的应力分布，对比有限元 - 顶点图表示的方法，研究结果表明，图神经网络和所提出的图嵌入方法作为强大的三维结构的高效减阶模型具有巨大潜力。

    Sep, 2023

  • 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

  • 通过自表达图结构重建实现图数据压缩

    通过解释性自表示图结构重构的方法，GCSR 在显式地融入原始图结构的过程中，通过重构可解释的自表示图结构，解决了在训练大规模图上的图神经网络时，节点特征优化、构建可解释图结构的问题。

    Mar, 2024

  • 大规模图训练的全面研究：基准测试和重新思考

    本文通过提供大规模图训练不同的架构和贴切的评估方法，在分析它们的优点和缺点后，介绍了一个名为 EnGCN 的新的集成训练方式。

    Oct, 2022

  • 弹簧嵌入与力导向图绘制算法

    本篇文章介绍了弹簧布局算法（也称为力导向算法），该算法是一种计算简单无向图的布局最为灵活的方法之一，旨在实现平面图的交叉无费布局。

    Jan, 2012

  • 基于松弛法的粗化和多尺度图组织

    本文提出一种新的 “接近度” 度量方式来推广和改进图的多尺度组织形式，该方式的计算线性于图中边数，并且仅涉及少量的松弛迭代，然后在每个粗略层次上计算和使用类似的距离概念，我们演示了该度量方式在多个重要组合优化问题的多尺度方法中的应用，并讨论了多尺度图形组织。

    Apr, 2010

  • 随机多维缩放

    本文介绍了一个新颖的线性复杂度的随机优化算法，可用于多维缩放（MDS）的随机压力最小化框架，可递增、分布式求解，应用于定位和可视化任务，并在合成和真实数据集上进行了广泛测试。

    Dec, 2016

  • 一种面向拓扑感知的图削减框架用于连续图学习

    提出了一种基于拓扑感知的图粗化与持续学习框架，该框架通过将先前任务的信息存储为精简图，在每个时间段通过与新图结合并对齐共享节点来扩展精简图，并通过缩减过程进行稳定大小的 “缩小”，实验证明了该框架在三个真实数据集上使用不同的骨干 GNN 模型的有效性。

    Jan, 2024

  • 通过图乘积和图粗化实现灵活的对称子图 GNN 框架

    基于子图的图神经网络（Subgraph GNNs）通过将图表示为子图集合来增强信息传递式图神经网络的表达能力，并引入了新的子图 GNN 框架以解决性能限制和子图选择问题。通过控制粗化函数，实现了对任意数量子图的有意义选择，并将其与标准训练技术兼容。实验证明，该方法比基线方法更加灵活，在处理任意数量子图时表现出更好的性能。

    Jun, 2024