Jul, 2024

Dirac–Bianconi图神经网络—实现非扩散的远程图预测

HTML
PDF
TL;DR基于图拉普拉斯矩阵的Dirac-Bianconi图神经网络与传统的信息传递神经网络具有根本不同的方式来探索图的几何结构，具有一致的远程传播能力，并在电网稳定性和多肽性质的长程预测方面显示出卓越的性能。
发现论文，激发创造
  • 约束狄利克雷能量的深度图神经网络学习

    该论文分析了深度图神经网络的瓶颈问题以及提出了一种基于狄利克雷能量的通用原则，通过该原则设计了一种新型深度图神经网络框架 - EGNN，并在实验结果中取得了最新颖的表现。

    Jul, 2021

  • PDE-GCN:基于偏微分方程驱动的图神经网络的创新结构

    本文提出了一类基于偏微分方程数值方法的图神经网络架构来解决传统卷积神经网络可能存在的过度平滑问题，通过实验证明该方法可以处理不同领域的问题并在某些领域获得优于或相当于当前最先进结果。

    Aug, 2021

  • 图耦合振荡器网络

    提出了一种名为Graph-Coupled Oscillator Networks（GraphCON）的新型用于图上深度学习的框架，该框架基于二阶常微分方程（ODEs）的离散化模型，模拟了通过底层图的邻接结构耦合的非线性控制和阻尼振荡器网络，并且解决了过度平滑问题和梯度消失问题。

    Feb, 2022

  • 用图神经随机微分方程学习布朗运动动力学

    本文提出了一种结合随机微分方程和图神经网络的框架(BROGNET), 用于直接从轨迹学习布朗运动, 并在多个系统上进行了实验验证, 证明了其在学习动力学方面的优越性和对不同尺度和温度的泛化能力.

    Jun, 2023

  • 用Hamiltonian图神经网络直接从轨迹中发现符号规律

    利用哈密尔顿图神经网络(HGNN)直接从物理系统轨迹学习系统动力学，推断能量泛函的根本方程，并从物理系统轨迹中透明地发现相互作用定律。

    Jul, 2023

  • 从连续动力学到图神经网络：神经扩散与更多

    图神经网络（GNNs）在建模关系型数据方面表现出显著的潜力，并被广泛应用于各个领域。图神经网络的关键机制是所谓的消息传递，其中信息从邻域迭代地聚合到中心节点。将消息传递过程类比为热扩散动力学可以从根本上理解GNNs的优势和局限，并进而指导模型设计。最近，出现了大量使用连续动态学的GNNs的作品，旨在解决GNNs已知的局限性，如过度平滑和过度压缩。在这项调查中，我们首次系统全面地审查了使用连续动态学视角的研究。为此，我们介绍了适应GNNs的连续动态学的基本要素，以及对图神经动力学设计的一般框架。然后，我们根据它们的驱动机制和基础动力学对现有作品进行了回顾和分类。我们还总结了如何在连续框架下解决经典GNNs的局限性。最后，我们确定了多个开放的研究方向。

    Oct, 2023

  • 三维原子系统的几何GNN指南

    计算模型, 几何图, 几何图神经网络, 三维原子系统, 机器学习架构

    Dec, 2023

  • 连续脉冲图神经网络

    连续脉冲图神经网络（COS-GNN）是一个统一框架，将脉冲神经网络与连续图神经网络相结合，利用高阶结构和脉冲表示进行连续传播，以增强信息保留并捕捉节点之间的长程依赖。实验结果表明，COS-GNN在图学习任务中比竞争对手具有更好的效果。

    Apr, 2024

  • 将哈密顿结构偏好注入深度图网络以实现长程传播

    动态信息扩散在图内是一个影响图表示学习的重要课题，特别是在考虑长程传播时。为此，我们引入了（端口）哈密顿深度图网络，这是一个基于哈密顿动力系统守恒定律的新框架，通过在图中建模神经信息流来控制和调节信息的传播和衰减程度。我们将非耗散的长程传播和非守恒行为统一在一个理论和实践框架下，并引入了机械系统的工具来衡量两个组成部分之间的平衡。我们的方法可以应用于一般的消息传递体系结构，并在时间上提供了信息保守性的理论保证。实证结果证明了我们的端口哈密顿方案在长程基准测试中将简单的图卷积架构推至最先进水平的效果。

    May, 2024

  • 图神经反应扩散模型

    我们提出了一种基于神经反应扩散系统的新型图神经网络（RDGNN），它能够对各种数据类型进行建模，从同质性到异质性，以及时空数据集，并且在理论性能和实际表现上优于现有的方法。

    Jun, 2024