May, 2024

自适应最小均值 p 次幂图神经网络

PDF
TL;DR提出了自适应最小均值 $p^{th}$ 功率图神经网络 (LMP-GNN)，结合了自适应滤波和图神经网络的通用框架，用于在线图信号估计。LMP-GNN 在处理噪声和缺失观测方面保持自适应滤波的优势，并具有在线更新能力。在噪声冲击下，通过 $l_p$ 范数优化的自适应更新方案，LMP-GNN 实现了时间变化图信号的鲁棒估计结果。两个真实世界数据集（温度图和交通图）上的实验证明了提出的 LMP-GNN 方法的有效性和稳健性。
impulsive noiseonline predictiongraph signalsadaptive filteringgraph neural network
发现论文，激发创造
  • 自适应最小均方图神经网络与在线图信号估计

    我们提出了一种用于在线估计时变图信号的高效神经网络架构，名为自适应最小均方图神经网络（LMS-GNN），它旨在捕捉时间变化和填补受噪声和缺失值影响的信号的空间和时间跨度相互作用，通过自适应图滤波器和图神经网络的组合实现。实验表明，与自适应图滤波器和图卷积神经网络等基于图的方法相比，我们的 LMS-GNN 实现了更准确的在线预测。

    Jan, 2024

  • 基于 $p$-Laplacian 的图神经网络

    本文提出了一种新的 GNN 模型：$^p$GNN，它实现了细胞特征和拓扑信息的同时分类，特别适用于异质图，其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。

    Nov, 2021

  • 图信号的自适应最小均方估计

    本文提出了一种最小平方算法 least mean squares (LMS)，用于自适应估计图形信号，并通过数值模拟验证了该方法的性能。同时，该文还提出了一种在不知道带宽的情况下进行谱稀疏在线估计的方法，以便在线调整图形采样策略，并将该方法应用于构建认知网络环境下操作区域的功率空间密度制图。

    Feb, 2016

  • 微型图神经网络用于无线资源管理

    无线资源管理的需求增加了对高效无线资源管理的精简神经网络结构的开发的需求。本文介绍了一种针对无线资源管理量身定制的图神经网络（GNN）的新方法：低秩消息传递图神经网络（LR-MPGNN）。该方法基于低秩逼近技术，将传统线性层替换为其低秩对应层，大大减小了模型尺寸和参数个数。通过多个关键指标对提出的 LR-MPGNN 模型的性能进行评估，包括模型尺寸、参数个数、通信系统的加权和速率以及权重矩阵的特征值分布。广泛的评估结果显示，LR-MPGNN 模型的模型尺寸减小了 60 倍，模型参数个数可以减少高达 98%。在性能方面，相对于原始 MPGNN 模型，LR-MPGNN 模型在最佳情况下的规范加权和速率仅降低了 2%，表现出很好的鲁棒性。此外，LR-MPGNN 模型的权重矩阵的特征值分布更加均匀，范围更广，表明了权重的战略性重新分布。

    Mar, 2024

  • 使用 PGM 来对抗图神经网络中的标签噪声

    本文提出了一种基于概率图模型的框架 LNP，用于处理标签噪音问题，并在不同噪音类型和比例以及异质图形上展现了其鲁棒性能。

    Nov, 2023

  • 基于图去噪的鲁棒图神经网络

    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

  • 通过线图转换对图边进行在线信号估计

    我们提出了一种线图归一化最小均方（LGNLMS）算法，用于在线时间变化图边缘信号预测。LGNLMS 利用线图将图边缘信号转换为其边缘到节点的对偶。这使得边缘信号能够使用已建立的图形信号处理概念进行处理，无需在图边缘上重新定义它们。

    Nov, 2023

  • 突破消息传递图神经网络的限制

    本文研究了基于图传递的神经网络（MPNNs），通过在频域设计非线性的自定义滤波器函数并使用任意大的感受野进行掩膜，其理论上比 1-WL 测试显得更加强大，且实际上具有与现有 3-WL 模型同样的性能，同时仍保持局部化。通过本方法可以实现 LOD 更新机制和输出谱复杂性，从而在许多下游任务中达到先进水平。

    Jun, 2021

  • 图上自适应特征传播：超越低通滤波器

    提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

    Mar, 2021

  • 让我们达成一致：比较基于消息传递框架下的图卷积网络

    本文将图上定义的神经网络呈现为信息传递神经网络（MPNN），通过研究不同类别的这些模型的区别能力，探讨它们的识别能力，研究传统的图神经网络和卷积图神经网络对顶点进行特征标注的能力的界限，并使用 Weisfeiler-Lehman 算法对 MPNNs 的区分能力进行了上下界的研究。

    Apr, 2020