Jun, 2024

未经训练的消息传递层的链接预测

PDF
TL;DR无标记信息传递层在图神经网络中被探索，与完全训练的 MPNN 相比，能够在链路预测中表现出竞争性和优越性能，尤其在存在高维特征的情况下，并通过理论分析将其与基于路径的拓扑节点相似度测量相关联。因此，无标记信息传递架构被视为一种高效且可解释的链路预测方法。
message passing neural networksmpnnsuntrained message passing layerslink predictionhigh-dimensional features
发现论文，激发创造
  • 纯信息传递可用于链路预测中的公共邻居估计

    通过利用输入向量的正交性，纯消息传递可以捕捉联合结构特征，我们引入了一种基于消息传递的链接预测模型（MPLP），它利用准正交向量来估计链接级结构特征，同时保留节点级复杂性。我们的方法在各个领域的基准数据集上对于基准方法有一致的优化效果。

    Sep, 2023

  • 消息传递神经网络学习 Little's 定律

    本文提出一种基于信息传递神经网络的通信网络拓扑图通用表示方法，可用于性能评估，解决了复杂建模的问题。

    Jan, 2019

  • 大规模随机图上消息传递神经网络的泛化分析

    研究了 MPNN 在图分类和回归中的泛化误差，表明 MPNN 的复杂度越高，泛化差距越大；同时，不仅训练样本数，而且图中平均节点数对泛化差距也有影响。从统一收敛结果导出泛化界限，表明在图上应用 MPNN 可以逼近离散化的几何模型上的 MPNN。

    Feb, 2022

  • 强结构编码是否能减少消息传递的重要性？

    当提供强大的结构性编码时，基于张量乘积的相互作用模型表明比基于拼接的编码更加鲁棒，即使去除了消息传递层，也能在某些任务上几乎不降低性能。

    Oct, 2023

  • 面具标签预测：半监督分类统一消息传递模型

    提出了一种新颖的统一消息传递模型 (UniMP), 旨在将图神经网络和标签传播算法结合起来，该模型在半监督分类方面取得了新的最先进的结果。

    Sep, 2020

  • 具有图形原始信息的提升消息传递神经网络

    本文研究如何全面利用信息，从理论和实践上提高信息传递神经网络的表现力和可推广性，并提出一种新的名为 INGNN 的图神经网络模型，针对节点分类任务，与目前最先进的方法相比，实验证明其优越性（平均排名 1.78）。

    Oct, 2022

  • Graph-MLP: 图中节点分类不需要消息传递

    本文提出了一个基于多层感知机的图神经网络模型 (Graph-MLP)，通过利用图结构的监督信号，该模型仅使用多层感知机、激活函数和层归一化，而无需用到信息传递模块，在 loss level 中，设计了一个邻域对比损失 (NContrast)，能够在大规模图数据和损坏的邻接信息中更轻巧、更强韧地进行分类任务，并证明了即使在测试阶段没有邻接信息，该模型仍然可以达到与最先进模型相媲美甚至更好的性能。

    Jun, 2021

  • 信息传递一路向上

    本文讨论了 “超越消息传递” 这一术语的危害性，提出使用更温和的术语 “增强型消息传递”，并指出大多数实际实现都会使用一些技巧来经过一定的修改后，基于消息传递实现任何我们想要在图上计算的函数。

    Feb, 2022

  • 概率重连的消息传递神经网络

    利用最近在精确和可微分的 k 子集采样中的进展，我们设计了一种概率重连的消息传递图神经网络（PR-MPNNs），该网络学习在省略不太有益的边的同时添加相关边。首次，我们的理论分析探索了 PR-MPNNs 如何增强表达能力，并且我们确定了它们优于纯随机方法的精确条件。经验证实，我们的方法有效地缓解了如过度压缩和预测能力不足等问题。此外，根据现有的真实世界数据集，我们的方法在预测性能上与传统的 MPNN 模型和最近的图变压器架构相比表现出有竞争力或更好的性能。

    Oct, 2023

  • 超图多层感知机：无需消息传递的超图学习

    通过将关于超图结构的信息整合到训练监督中，我们提出了一种新的学习框架 Hypergraph-MLP，它使用基于超图信号平滑性的损失函数来监督简单的 MLP 模型，在超图节点分类任务中表现出与现有基线相比具有竞争力的性能，并且在推理时更快且更稳健对结构扰动。

    Dec, 2023