Jun, 2024

基于张量乘积图卷积表征的图边表示

PDF
TL;DR通过张量收缩表示和张量乘积图扩散理论，本文提出了一种名为 Tensor Product Graph Convolution (TPGC) 的图卷积算子，用于处理带有边特征的图数据分析，以获取有效的边嵌入表示。实验结果表明，所提出的 TPGC 对于多个图学习任务具有很好的效果。
发现论文，激发创造
  • 张量图卷积网络用于动态图表征学习

    本文提出了一种基于张量图卷积网络的动态图表示学习模型，通过在张量乘积的基础上设计张量图卷积网络来同时建模时空特征，实验结果表明我们的模型获得了最先进的性能。

    Jan, 2024

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019

  • 张量图卷积网络的文本分类

    本文提出 TensorGCN 框架，基于图卷积神经网络进行文本分类，结合单个图的邻域信息和不同图的异构信息进行内部图和跨图传递信息的聚合和协调，实现了在不同种类图中集成异构信息的有效方式。

    Jan, 2020

  • CatGCN：具有分类节点特征的图卷积网络

    论文提出一种新的 GCN 模型 CatGCN，它适用于当节点特征为分类特征时的情况。该模型在学习初始节点表示时整合了两种显式的交互模型，并使用基于邻域聚合的图卷积对初始节点表示进行了改进。实验证明，CatGCN 对半监督节点分类任务非常有效，尤其是在进行特征交互建模之前进行图卷积操作的积极效果。

    Sep, 2020

  • 超越图卷积网络：一种解释性的以正则化为中心的优化框架

    本文主要研究在图数据上检测拓扑和语义结构，提出了一种名为 tsGCN 的图卷积网络，通过可解释的正则化优化框架，成功减少了计算无限阶图卷积的高计算复杂度，并且在八个公共数据集上对分类任务取得了比同类竞争对手更卓越的性能。

    Jan, 2023

  • 张量视图拓扑图神经网络

    图分类是一项重要的图结构数据学习任务，我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN)，利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法，能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中，TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。

    Jan, 2024

  • 交叉 GCN: 用 $k$ 阶特征交互增强图卷积网络

    本文介绍了一种新的算子 Cross-feature Graph Convolution，它可以更好地处理重要的交叉特征，细致分析和实验证实了这一算子在 GCN 中的作用和性能，特别是在较低层的特征学习中表现得更为明显。

    Mar, 2020

  • 简化图卷积网络

    通过消除 GCN 中的不必要的非线性和权重矩阵，我们提出了一种线性模型，它对应于一个固定的低通滤波器，然后是一个线性分类器。 在许多下游应用中，我们的实验评估表明这种简化并不会对精度产生负面影响。 此外，由于我们的模型简化减少了计算量，因此我们的模型在更大的数据集上具有可扩展性，并且具有更快的推理速度。

    Feb, 2019

  • 一种双曲到双曲的图卷积网络

    本文提出了一种直接在超伪球面上进行图卷积运算的超伪球面图卷积网络（H2H-GCN），该网络采用保流形图卷积和 Einstein 中点算法来保留全局的超伪球面结构。在链接预测、节点分类和图分类任务中均实现了显著的性能提升。

    Apr, 2021

  • 文本分类中的图卷积网络理解

    本文分析了图卷积网络（GCN）在文本分类中的节点和边嵌入方式以及学习机制的影响，并在不同文本分类基准下得出了有用的结论。

    Mar, 2022