本篇论文提出了一种基于变量域的新型图卷积网络(TAGCN),通过设计一组可学习的固定大小的滤波器,用于对图执行卷积操作。这些过滤器在扫描图以执行卷积时,可以自适应地适应图的拓扑结构。与现有的谱 CNN 相比,TAGCN 表现更好,并且比近期其他方法计算上更简单。
Oct, 2017
图分类是一项重要的图结构数据学习任务,我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN),利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法,能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中,TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。
Jan, 2024
图神经网络已成为从图结构数据中有效挖掘和学习的强大工具,但大多数研究侧重于静态图,忽视了真实世界网络的动态特性,该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。
Apr, 2024
本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络(Graph CNNs),在九个图结构数据集上,实现了收敛速度和预测精度方面的显著性能提升。
Jan, 2018
该研究探索了卷积神经网络在图信号处理方面的应用,通过构建选择图神经网络和聚合图神经网络,对信号的卷积和池化进行了重新解释,实现了在图数据上的卷积神经网络。此外,该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。
May, 2018
本文提出 TensorGCN 框架,基于图卷积神经网络进行文本分类,结合单个图的邻域信息和不同图的异构信息进行内部图和跨图传递信息的聚合和协调,实现了在不同种类图中集成异构信息的有效方式。
Jan, 2020
本文提出了一种新型 GCNs 模型:自适应多通道图卷积网络 (AM-GCN),以更好地融合和提取节点特征和拓扑结构之间的深度相关信息,并在半监督分类任务上取得了明显的精度提升。
Jul, 2020
本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现,节点的相似度和 GCN 的性能有正相关关系,并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。
Jul, 2022
这篇研究提出一种鲁棒的图神经网络实现方法,明确考虑了观察拓扑中的扰动,通过优化可学习参数和真实图形来解决非可微且受限制的优化问题,适用于各种类型的图形,并可整合关于扰动的先验信息。通过多个数值实验评估了该方法的性能。
Dec, 2023
本文介绍了图神经网络(GNNs)的设计管道,详细讨论了其各个组成部分的变体,对其应用进行了系统分类,并提出了四个开放性问题供未来研究。
Dec, 2018