光谱图神经网络在空间域具有可解释性,通过建立光谱滤波和空间聚合的理论联系,揭示了光谱滤波将原始图形隐式导向适应的新图形,以进行空间聚合和反映节点之间的标签一致性,进而提出了一种新颖的空间自适应滤波 (SAF) 框架,通过光谱滤波和辅助的非局部聚合综合建模节点的相似性和差异性,在全局角度缓解了图神经网络与长距离依赖和图形异质性相关的不足,并在 13 个节点分类基准上进行了广泛实验,证明了该框架相较于现有模型的优越性。
Jan, 2024
本文总结了谱图神经网络的最新发展,包括模型、理论和应用等方面的内容,其中介绍了谱性 GNN 能够捕捉全局信息,并具有更好的可表达性和可解释性。通过对现有谱性 GNN 的分析,本文梳理了主要理论结果和应用,最后进行了定量实验来评估几种常见的谱性 GNN 模型,为未来的研究提出了一些方向。
Feb, 2023
本文研究了基于图信号滤波器的谱图神经网络的表达能力,证明了无需非线性函数就可产生任意图信号,并建立了表达能力与图同构测试之间的联系。提出了一种名为 JacobiConv 的新型谱图神经网络,该网络能在不使用非线性函数的情况下超越所有对比算法。
May, 2022
提出了一种名为 2-D graph convolution 的新卷积范式,通过应用 Chebyshev 插值在 ChebNet2D 上实现,以解决现有光谱图神经网络在执行光谱图卷积时存在的关键问题。
Apr, 2024
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
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
该研究将卷积神经网络推广到高维不规则图像中,通过谱图理论提出了一种卷积滤波器设计方法,在保持线性和常数学习复杂度的同时,实现了对任意图结构的卷积作用,成功在图像识别领域实现了局部、平稳、组合特征的学习。
Jun, 2016
最近在图神经网络领域中,频谱图神经网络因其在频域捕捉图信号的特点而受到广泛关注,展示出在特定任务中的有希望的能力。然而,对于评估其频谱特征的系统研究还很少。此观点论文通过对超过 30 个包含 27 个相应滤波器的频谱图神经网络进行广泛的基准测试,分析和分类这些模型,并在统一框架下实现这些频谱模型,提供了对有效性和效率的多方位实验评估,并提供了在评估和选择性能良好的频谱图神经网络时的实用指南。我们的实现能够在更大的图上应用,性能可比且开销较小,可以从以下链接获得:
Jun, 2024
使用光谱特征的图神经网络(GNNs)已显示出有希望的结果,但由于特征向量的固有模棱两可性,这提出了一项基本挑战。已经提出了几种架构来解决这种模棱两可性,被称为光谱不变架构。其中几个著名的例子包括使用光谱距离、光谱投影矩阵或其他不变光谱特征的 GNNs 和图变换器。然而,这些光谱不变架构的潜在表达能力仍然不太清楚。本研究的目标是在使用光谱特征时获得深入的理论理解可获得的表达能力。我们首先介绍了一种用于设计光谱不变 GNNs 的统一传递信息框架,称为特征空间投影 GNN(EPNN)。全面的分析表明,EPNN 本质上统一了所有先前的光谱不变架构,因为它们要么严格不可表达,要么与 EPNN 等价。还建立了不同架构之间的细粒度表达层次结构。另一方面,我们证明了 EPNN 本身被一种最近提出的子图 GNNs 类所约束,这意味着所有这些光谱不变架构严格不可表达 3-WL。最后,我们讨论了结合更具表达能力的 GNNs 时是否可以通过使用光谱特征来获得额外的表达能力。
提出了 Spatial Graph Convolutional Network (SGCN) 来改进 Graph Convolutional Networks (GCNs),SGCN 利用了空间特征来有效地学习从自然定位的图形中,经过实验证明,SGCN 优于现有的图形方法在图像分类和化学任务上的表现。
Sep, 2019