Apr, 2024

用于二进制规划的图神经网络

PDF
TL;DR该研究探讨了图神经网络（GNNs）和二进制编程（BP）问题之间的联系，为 GNNs 在解决这些计算难题上提出了设计。通过分析 BP 问题的灵敏度，我们将 BP 问题的解决方案框架化为异质节点分类任务。随后，我们提出了 Binary-Programming GNN（BPGNN），一种将图表示学习技术与 BP 感知特征相结合的架构，以有效地近似 BP 解决方案。此外，我们引入了一种自我监督的数据生成机制，以便在处理大规模 BP 问题时实现高效和可操作的训练数据获取。对不同 BP 问题规模的 BPGNN 进行实验评估显示其性能优于穷举搜索和启发式方法。最后，我们讨论了 GNNs 在 BP 问题这个尚未充分探索的领域中的挑战。
发现论文，激发创造
  • 二元图神经网络

    本论文探讨了将二值化技术应用于图神经网络的方法，并成功设计了能够在 Hamming 空间内快速构建动态图的模型，实现了在准确性轻微损失的代价下在嵌入式设备上取得了显著的存储空间和时间扩展的效果。

    Dec, 2020

  • 图神经网络是动态规划程序员

    本文研究了神经算法推理与图神经网络的最新进展，特别关注神经网络的动态规划以及范畴论和抽象代数，验证了它们之间的内在联系，得到在边缘任务上更坚实的 GNN 体系结构，并在 CLRS 算法推理基准测试中证明了实证结果。

    Mar, 2022

  • 二值化图神经网络

    本研究提出了一种基于二值网络参数的二值图神经网络模型，将其与现有的图嵌入方法相结合，可以提高模型效率和可扩展性，同时与当前最优性能相匹配。

    Apr, 2020

  • 图形算法的神经执行

    通过在算法空间中训练 Graph Neural Networks 来解决基于图结构的问题，使用基于最大化的信息传递神经网络来实现离散决策，同时实现了任务迁移并提升学习效果。

    Oct, 2019

  • 学习图神经网络的离散结构

    本文提出了一种联合学习图结构和图卷积网络参数的方法，从而可以在不完整、损坏或无法使用图的场景中应用图卷积网络，并通过实验证明，该方法的性能显著优于相关方法。

    Mar, 2019

  • 图神经网络：方法和应用综述

    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

  • 半监督分类的图分区神经网络

    本文提出了一种名为 GPNN 的图划分神经网络，通过在小子图中进行本地传播和在子图之间进行全局传播来处理极大的图形。经过大量实验，实验结果表明，GPNN 在图形半监督分类任务中表现优异或与现有算法相当，且使用更少的传播步骤也能够达到标准 GNN 的性能。

    Mar, 2018

  • 深度图神经网络的系统综述：挑战、分类、架构、应用与生物信息学的潜在用途

    深度学习在图神经网络中的非欧几里得空间的生物信息学研究中具有潜在的优势，能够解决与生物相关的复杂图形问题。

    Nov, 2023

  • Bi-GCN: 二元图卷积网络

    本文介绍了一种二进制图卷积神经网络（Bi-GCN），它将网络参数和输入节点特征进行二元化，并将原始矩阵乘法改为二进制运算以加速计算，并使用一种新的梯度逼近反向传播方法来训练我们的 Bi-GCN。实验表明，与全精度基线相比，Bi-GCN 在节省内存资源方面平均可以减少约 30 倍，并平均加速推理速度约 47 倍，并且该二进制方法还可以轻松应用于其他 GNNs。

    Oct, 2020

  • 图神经网络的前向学习

    通过本文中提出的 ForwardGNN 算法，我们可以以一种新的前向学习方式来解决 BP 算法所带来的局限性，该算法扩展了原始的前向传播算法，使其适用于图数据和图神经网络，并且不再需要产生负输入数据，同时每个层可以从自下而上和自上而下的信号中学习，而不依赖于误差的后向传播。在实际数据集上进行的大量实验表明，这种前向图学习框架的有效性和普适性。

    Mar, 2024