Jun, 2024

超几何基准测试揭示了图神经网络性能与网络拓扑特征的关系

PDF
TL;DR我们介绍了一个用于图机器学习的全面基准测试框架，关注 GNN 在各种网络结构上的性能，结果强调了模型性能依赖于网络结构和节点特征之间的相互作用，并为模型选择提供了见解。
graph neural networksbenchmarking frameworknetwork structuresmodel performancenode features
发现论文，激发创造
  • 图神经网络的拓扑感知性和泛化性能研究

    本文介绍了一个综合性框架，用于描述图神经网络在任何拓扑特征上的拓扑感知能力，并研究了拓扑感知对图神经网络的泛化性能的影响。通过案例研究和实证结果，发现提高图神经网络的拓扑感知能力可能会在结构组之间造成不公平的泛化，同时展示了该框架在解决图主动学习中的冷启动问题上的实际适用性。

    Mar, 2024

  • 图神经网络中节点特征

    本文分析了节点特征对图神经网络性能的影响，提出了新的特征初始化方法，使得图神经网络也能应用到无特征图中，并探讨了人造特征和真实特征的竞争表现。

    Nov, 2019

  • 关于图神经网络和特征增强策略在社交网络分类中的能力

    本研究对四种图神经网络架构及五种节点人工特征进行分析，应用于分类任务，并比较它们在不同隐藏层维度下的性能。结果表明，高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。

    Jan, 2024

  • 自适应通用广义 PageRank 图神经网络

    本文提出了一种新的广义 PageRank（GPR）图神经网络（GNN）架构，用于联合优化节点特征和拓扑信息提取，无论节点标签是同质的还是异质的。通过学习 GPR 权重，学到适应节点标签模式的权重，避免了特征信息过度平滑的问题，从而提高了在同质性和异质性数据集上的节点分类性能。

    Jun, 2020

  • 图神经网络的拓扑设计：一种新的特征融合视角

    通过特征融合的角度设计了新颖的 GNN 拓扑结构，进一步提高了模型容量，改善了原有 GNN 拓扑结构的问题，并通过神经架构搜索方法在八个真实数据集上进行了验证。

    Dec, 2021

  • 双曲线图神经网络

    该研究的主要目的是学习图结构数据，提出了一种基于黎曼流形的新型图神经网络架构，并开发了一种可扩展的算法来模拟图的结构特性，并比较欧几里得和双曲几何。在实验中，我们证明了双曲 GNNs 在各种基准数据集上可以带来实质性的改进。

    Oct, 2019

  • 描述拓扑对图学习任务的影响

    该研究提出了一种度量指标 TopoInf，用于衡量图的拓扑结构对下游任务的影响，并通过上下文随机块模型的解耦 GNN 进行分析，证明了该度量指标的有效性。通过大量实验证明 TopoInf 是衡量拓扑影响的有效度量，并可进一步用于增强图学习。

    Apr, 2024

  • 图计算加速器的实现

    图神经网络在图结构数据上学习提供了一种新颖的机器学习范例，能够捕捉图数据中的复杂关系和依赖性，从而在社交网络分析、分子化学和网络安全等领域具有重要的影响。本论文旨在深入研究 GNN 与底层硬件的交互方式，并设计专用加速器和新型优化方法，以实现更高效和更快速的 GNN 计算。我们基于对 GNN 计算需求的特征化构建了先进的硬件加速器结构，同时扩展了对图神经网络领域中新型模型的探索，旨在提供不仅高性能而且能适应图计算发展的多功能加速器。

    Dec, 2023

  • 探究图神经网络在 SDN 网络建模和优化中的潜力

    本文提出了一种基于图神经网络的网络建模技术，能够准确估计网络拓扑、路由和输入流量之间的复杂关系，从而优化网络性能，本技术对任意拓扑、路由和流量强度具有很好的泛化能力。

    Jan, 2019

  • 图上的拓扑关系学习

    提出一种基于拓扑关系推断的新型局部拓扑模型，用于处理图分类和表征学习中超平滑和可被图扰动的问题，并在节点分类任务中实验验证其性能优于当前 14 种现有基线模型

    Oct, 2021