Mar, 2024

基于语义-结构注意力增强的图卷积网络的节点分类

HTML
PDF
TL;DR通过引入语义-结构注意力增强图卷积网络（SSA-GCN），本研究在提取顶点分类性能方面不仅对图结构进行建模，还从无监督特征提取的角度提取通用特征，通过交叉注意力机制整合这些特征，以增强图卷积网络的泛化能力。在Cora和CiteSeer数据集上的实验证明了我们提出的方法所取得的性能提升，而且在隐私设置下表现出优异的准确性，使其成为图数据分析的坚实有效解决方案。
发现论文，激发创造
  • 拓扑自适应图卷积网络

    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

  • 当工作至关重要：将经典网络结构转换为图卷积神经网络

    该论文研究了如何将经典的ResNet，Inception和DenseNet等卷积神经网络结构应用于图形识别问题，并在几个公共图形数据集上对这些不同网络结构的性能进行了全面评估。

    Jul, 2018

  • 基于模 motif 的注意力机制的图卷称神经网络

    本文提出了一种新颖的框架，可以在任意图上学习空间和关注卷积神经网络，通过子图归一化和自我关注层，可以显著提高传统图内核和现有深度模型的图分类基准。

    Nov, 2018

  • 基于知识嵌入的图卷积网络

    本研究提出了一种新的框架--基于知识嵌入的图卷积网络(KE-GCN)，该框架充分利用了复杂图形的丰富结构信息，并针对图的异构性和节点更新问题进行改进，优于具有同类基线方法的表现。

    Jun, 2020

  • 图结构主题神经网络

    本文提出了GraphSTONE，一种基于GCN模型的结构话题神经网络，利用图的主题模型，从概率角度捕获广泛的指示性图结构。同时，通过设计多视图GCN统一节点特征和结构主题特征，并利用结构主题来指导聚合，从而达到高效和可解释性。

    Jun, 2020

  • AM-GCN: 自适应多通道图卷积网络

    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

  • 从优化角度重新审视半监督节点分类中的图卷积网络

    本文从优化的角度解释了当前的图卷积操作存在的过度平滑问题，并引入了两个衡量节点级任务上过度平滑的度量标准，提出了一种新的卷积核GCN+，并在真实的数据集上证明了其在节点分类任务上的优秀性能表现。

    Sep, 2020

  • 超越图卷积网络：一种解释性的以正则化为中心的优化框架

    本文主要研究在图数据上检测拓扑和语义结构，提出了一种名为tsGCN的图卷积网络，通过可解释的正则化优化框架，成功减少了计算无限阶图卷积的高计算复杂度，并且在八个公共数据集上对分类任务取得了比同类竞争对手更卓越的性能。

    Jan, 2023

  • 基于 GNN 的图分类和链路预测综述

    本综述文章研究了图卷积神经网络及其在节点分类等领域的应用，并阐述了构建图卷积算子和图池算子的关键步骤。

    Jul, 2023

  • 自注意力增强的图卷积网络：结构学习和节点嵌入

    本研究提出了一种名为GCN-SA的新型图学习框架，它具有出色的节点级表示学习的泛化能力，并且通过自注意机制和改进的转换器块实现了对长程依赖关系的捕捉，从而使其能够在具有不同程度同质性的图上进行表示学习。

    Mar, 2024