我们提出了一种名为 HeIHNN 的超边交互感知超图神经网络,旨在捕捉超边之间的相互作用,并引入了一种新的机制来增强超边和节点之间的信息流动。经过广泛的实验,在真实世界的数据集上,HeIHNN 相比现有方法表现出具有竞争力的性能。
Jan, 2024
高阶图神经网络(HOGNNs)是一类重要的 GNN 模型,能够利用顶点之间的多系关系来解决过度平滑或过度压缩等问题,显著提高 GNN 预测准确性,改进 GNN 架构,并能帮助选择最适合特定场景的 GNN 模型,提出了具有挑战与机遇的 HOGNN 进一步研究的全面列表。
Jun, 2024
该论文提出了一种基于超图卷积网络的新型框架 HNHN 来进行超图表示学习,其中包括非线性激活函数和灵活的归一化方案,实验结果表明与现有方法相比,在真实世界数据集上表现更好,具有更高的分类精度和速度。
Jun, 2020
本研究提出了一种超图神经网络 (HGNN) 框架,可以通过超图结构编码高阶数据相关性,并使用超边卷积操作处理数据相关性,以有效地进行数据表示学习。实验结果表明,HGNN 方法优于最新的最先进的方法,并且可以处理现实世界中的复杂数据和多模数据。
Sep, 2018
提出了一种新的 Hierarchical Message-passing Graph Neural Networks 框架,通过生成 hierarchical structure,并采用 inra- 和 inter-level propagation manners 以及 hierarchical community detection algorithm,实现了对长程信息的高效访问,从而在节点分类、社区检测等任务中优于现有基于 GNN 的模型。
Sep, 2020
为优化基于超图的数据表示学习中的超图结构,我们提出一种名为 DeepHGSL 的深度学习超图结构学习的通用范式,并引入信息瓶颈原理来构建损失函数,以减少超图结构中的噪声信息,从而提取更加鲁棒的特征表达,在四个基准数据集上的实验结果表明了模型的有效性和鲁棒性。
Aug, 2022
本文介绍了一种利用结构化知识实现可微分端到端检测和识别图像和视频中的人 - 物交互的算法 —— 图解析神经网络(GPNN)。结果表明,在三个 HOI 检测基准测试上,我们的方法明显优于现有的最新方法,证明 GPNN 可以应用于大型数据集和时空设置,并可覆盖图解析和逐步计算相邻矩阵和节点标签。
Aug, 2018
本文介绍了一种名为超曲线图元学习器(H-GRAM)的新方法,通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度,实现在处理不相关子图的查询任务上进行更快的学习,并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性,并且相较于传统的欧几里得方法,在大型图数据集上能够更好地提高性能。
Oct, 2023
本文对当前超伽马线图神经网络的技术细节进行了全面的回顾,并将它们统一到一个通用框架中,并总结了每个组件的变体和相关应用,并提出了一些挑战,可能为进一步发展超伽马线空间的图学习成果提供指导。
Feb, 2022
该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用,提出了四种图神经网络的分类,并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估,并提出了该领域的潜在研究方向。
Jan, 2019