May, 2024

ENADPool: 边缘节点注意力差分池化的图神经网络

PDF
TL;DR本文提出了一种名为 Edge-Node Attention-based Differentiable Pooling (ENADPool) 的新层次池化操作，用于学习有效的图表示，同时还提出了与 ENADPool 操作相关的多距离 GNN (MD-GNN) 模型，以解决传统层次池化操作中存在的问题。
graph neural networksdownsamplingpoolingenadpoolhierarchical structure
发现论文，激发创造
  • 可微池化的分层图形表示学习

    本文提出了 DiffPool 模型，可以生成层次化的图表示，并可与各种图神经网络结构直接相结合。实验结果表明，结合 DiffPool 模型的 GNN 方法在图分类基准测试中的准确性平均提高了 5-10％，相比所有现有的汇聚方法，实现了四个基准数据集的新的最优性。

    Jun, 2018

  • 图神经网络的边缩减池化

    本研究提出了一种名为 EdgePool 的图池化层，利用边缩减的概念来学习局部和稀疏的硬池化转换，证明 EdgePool 优于其他池化方法，并且易于集成到大多数 GNN 模型中，提高了节点和图的分类性能。

    May, 2019

  • 面向脑影像数据的边缘感知硬聚类图池化

    在这项研究中，我们开发了一种名为 Edge-aware hard clustering graph pooling (EHCPool) 的聚类图池化方法，用于提高 Graph Convolutional Networks (GCNs) 的表示学习能力，并获取异常脑图。EHCPool 首次基于边特征提出了 “边到节点” 的评估准则来评估节点特征的重要性。为了更有效地捕捉重要的子图，我们设计了一种新的迭代 N-top 策略来自适应地学习图的稀疏聚类分配。随后，我们提出了一种创新的 N-E 聚合策略，旨在聚合独立子图中的节点和边特征信息。该方法在多个脑成像公共数据集上进行了评估，并取得了最先进的性能，我们相信这是第一种具有从数据驱动角度探测不同类型异常功能性脑网络潜力的深度学习工具。

    Aug, 2023

  • 自注意力图池化

    本文提出一种基于自注意力机制的图池化方法，使用图卷积实现自注意力，同时考虑节点特征和图拓扑结构，实验结果表明该方法在基准数据集上具有优异的图分类性能。

    Apr, 2019

  • 节点下采样的图神经网络中的层次表示学习

    本文提出了 Node Decimation Pooling (NDP)，这是一种用于 GNN 的池算子，能够生成更粗糙的图，同时保持整体图拓扑结构，通过三个步骤：节点削减，Kron reduction，和稀疏化过程生成 coarsened graphs。实验结果表明，与现有的图池化运算符相比，NDP 在图分类任务上表现出相当的性能，但更加高效。

    Oct, 2019

  • EdgeNets: 边缘变化的图神经网络

    本文提出 EdgeNet 框架，将现有的图卷积神经网络（GCNNs）和图注意力网络（GATs）统一起来，使得同一问题可以使用不同的 GNN 结构来解决，并且指导和优化各种 GNNs 的性能和实现。

    Jan, 2020

  • DAGCN: 双重注意力图卷积网络

    本研究提出了一种新的框架，双注意力图卷积网络，用于解决图分类任务中邻域汇聚和池化操作的问题，并通过实验比较证明了该模型优于其他基线模型和深度学习方法。

    Apr, 2019

  • 图上的拓扑池化

    提出使用持久同调和地标的复合拓扑池化层并设计新的局部和全局可学习的拓扑表示方法以从图中提取有区分性的拓扑信息，该方法在 11 个不同的基准数据集上超过 18 个基线模型，显示出对比竞争对手更佳的实验表现。

    Mar, 2023

  • 精心选择和深思熟虑的丢弃：利用被丢弃节点的图显式池化

    提出了一种新的图显式汇聚（GrePool）方法，通过明确利用节点之间的关系和最终表示向量的选择，解决了现有图汇聚方法中的两个关键问题，并进行广泛的实验证明其在分类准确度方面优于 14 个基线方法。

    Nov, 2023

  • 高效对比图交互学习的共同关注图池化

    提出了一种新颖高效的图级方法，通过图池化中的共同注意力来提取交互表示，该方法在使用真实世界数据集的分类和回归任务中相对于现有方法表现竞争力，同时保持较低的计算复杂度。

    Jul, 2023