通勤图神经网络
本文介绍一种更有效的图神经网络——k-hop GNN,该网络可以从一个节点的k-跳邻域中汇总信息并识别基本图属性,可用于节点分类和图分类任务,并在标准数据集上取得较好或可比的表现
Jul, 2019
我们提出了一种被称为Two-level GNN的新型GNN框架,通过将子图级别信息与节点级别信息合并来克服现有GNN的局部置换不变性问题,并提出了一个基于动态规划算法的子图计数方法,实验证明TL-GNN优于现有GNN,并实现了最先进的性能。
Jan, 2022
本研究提出了一种通过置换组捕捉相邻节点间的成对相关性的高效置换敏感聚合机制,证明我们的方法比2-WL图同构测试更强大且不逊于3-WL测试,并证明我们的方法可以实现线性采样复杂度。多个数据集的综合实验证明了我们模型的优越性。
May, 2022
提出了一种基于1-WL和邻居之间的边缘考虑的NC-1-WL算法,实现了图同构测试,提高了图神经网络的可表达性;进一步提出了NC-GNN框架作为NC-1-WL的可微分神经版本,能够在各种基准测试中实现出色的性能。
Jun, 2022
本文研究了GNN在同构和异构图中节点分类性能的差异。我们提出了一种非i.i.d PAC-Bayesian概率界,并通过特征聚合距离和同质比异质性差异解释了性能差异,并证实了较深的GNN的有效性。此外,我们发现了图形分布偏移问题的一个新因素,并提出了相应的新场景。
Jun, 2023
本文引入Path Neural Network模型来提高图表达的表达能力,实验证明该模型比1-WL算法更加强大,且在图分类和图回归任务中表现良好。
Jun, 2023
图神经网络在各个领域取得了显著进展, 但受到称为1-Weisfeiler-Lehmann测试的理论约束. 尽管最新的高阶图神经网络可以克服这个限制, 但它们通常集中于某些图的组成要素,如团或环. 然而, 我们的研究选择了一条不同的路线, 侧重于路径, 这在任何图中都是固有的. 我们能够构建一个更一般的拓扑视角,并将它与其他拓扑领域的一些已有理论建立联系. 有趣的是, 在不对图的子结构作出任何假设的情况下, 我们的方法在该领域超过早期的技术,达到了几个基准上的最先进性能.
Aug, 2023
图分区神经网络(GPNNs)是一种新颖的GNN架构,通过对图进行分区以及顶点集和子图之间的结构相互作用的探索,提高了GNN的表达能力,并在各种图基准任务中展示了超越现有GNN模型的卓越性能。
Dec, 2023