- 基于图神经网络的组合优化统一框架
基于图神经网络 (GNNs) 的统一框架,解决组合优化问题 (COPs),包括 COPs 的图表示、非图结构 COPs 转换为图结构 COPs 的等效转换、图分解和图简化,利用 GNNs 有效捕获关系信息和提取 COPs 图表示的特征,为 - GASE: 图注意力取样与边融合用于解决车辆路径问题
我们提出了一种自适应图注意力采样与边融合框架(GASE),通过使用具有高度相关邻域和边的注意力计算从而确定节点的嵌入,进一步融合采样网络中的消息传递和节点嵌入,在学习导向的 VRP 任务上表现出色,并在随机生成实例和真实世界数据集上展现出超 - 基于图神经网络的可扩展房产估值模型
通过有效的图依赖表示来丰富现有的基于深度学习的自动估值模型,并开发了两种新颖的图神经网络模型,有效地识别具有相似特征的相邻房屋序列,通过不同的消息传递算法实现。实验证明,使用定制的图神经网络显著提高了房价预测的准确性,特别是在利用变压器卷积 - 基于图表示的学习排序芯片排列顺序探索
提出一种基于学习排序网络的芯片组件布置方法,通过优化放置顺序以降低芯片间互连线长度和系统温度,从而显著改善芯片组件布置过程中的性能。
- 发现异质图的不变邻域模式
本研究主要研究非同质图上的分布漂移问题,提出了一种新型的不变邻域模式学习(INPL)方法来缓解非同质图上的分布漂移问题,并通过在实际非同质图上的实验结果表明,INPL 能够实现在大规模非同质图上学习的最新性能。
- 基于相似度的图形相邻点选择
使用基于相似性的邻居选择 (SNS) 方法,通过对语言学习模型 (LLMs) 进行简单提示交互,SNS 在节点分类中展现了优越的性能,并且在图结构理解方面显示出 LLMs 的潜力。
- SCO-VIST: 基于社交互动常识知识的视觉叙事
SCO-VIST 框架使用图表示形式,结合语义和基于发生的边权重,通过 Floyd-Warshall 算法生成视觉叙事。在多个指标上,该框架在视觉根植性、连贯性、多样性和人性上优于其他模型,经过自动和人工评估。
- 无监督学习食谱图
提出一种无监督学习的方法,使用图表示法从烹饪食谱中提取相关信息,并通过解码图成文本进行监督,与其他方法相比,使用文本到图和图到文本的方式迭代学习图结构和参数,并通过与标注数据集的实体对比、输入和输出文本的差异对比以及与现有方法生成的图的对比 - 显著性感知正则化图神经网络
通过加权聚合节点特征和全局节点显著性规则,我们提出了一种能够学习更有效图表示的新型图分类方法 SAR-GNN。
- Verilog-to-PyG - RTL 设计上的图学习和增强框架
现代硬件设计的复杂性需要先进的方法来优化和分析数字系统。最近,机器学习方法已经成为评估寄存器传送级(RTL)或布尔级设计质量结果的强大工具,旨在加快高级 RTL 配置的设计探索。本文介绍了一种创新的开源框架,将 RTL 设计转化为图形表示基 - UniMAP:通用 SMILES - 图表示学习
本文提出了一种称为 UniMAP 的通用 SMILE-graph 表示学习模型,通过底层嵌入层和多层 Transformer 的使用,实现了跨多模态融合,包括多级跨模态掩码、SMILES-Graph 匹配、片段级对齐和领域知识学习等预训练任 - 基于图学习的神经形态成像和分类
提出了一种新的图表示方法将事件数据与图转换器相结合,用于准确的神经形态分类任务。通过广泛实验表明,该方法在仅有少量事件和有限计算资源的困难真实场景中表现出优异效果,为嵌入移动设备的神经形态应用开辟了道路。
- 基于图神经网络的入侵检测的高效网络表示
我们提出了一种新颖的网络表示形式作为流图,旨在为入侵检测任务提供相关的拓扑信息,以及通过基于图结构的神经网络框架将通信流分类为恶意得分。我们还强调了传统评估程序可能存在的数据泄露问题,并提出了解决方案以确保入侵检测系统性能的可靠验证。通过实 - 用通用装置编码和图像注意力网络改革 TCAD 模拟
使用人工智能和图形表示的创新方法,提出了一种在 TCAD 器件模拟中用于半导体器件编码的技术。提出了一个基于图形的通用编码方案,不仅考虑了材料级和器件级嵌入,还引入了一种新型的空间关系嵌入,灵感来自于有限元网格化中通常使用的插值运算。利用器 - 辅助车祸模拟数据分析的图形提取
本文建立了一种从计算机辅助工程(CAE)中抽象出图形信息的方法,特别是关注了复杂的车辆设计,提出了利用图形表示 CAE 数据的概念,并引入了自动检测载荷路径的方法,有助于 CAE 模拟结果的分类和标记。
- TAA-GCN:面向年龄估计的时态感知自适应图卷积网络
本文提出一种新的年龄估计算法 ——TAA-GCN,它基于图形新表达,利用骨骼、姿势、服装和脸部信息丰富各个年龄段的特征集,通过时间记忆模块和自适应图卷积层计算年龄的时间依赖关系和改善外观变量,优于几项公共基准。
- ICML参数化分解与过滤技术在图表示学习中的应用
本文提出了一种有效而灵活的矩阵来表示图形,通过参数化分解和过滤的方法,将许多现有的 GNN 模型统一起来,在增强 GNN 的灵活性的同时,也减轻了现有模型的平滑和放大问题。基于这个通用框架,我们开发的模型在实现上很简单,但在各种图形学习任务 - ICMLSEGA:基于结构熵引导锚点视图的图对比学习
本文通过图信息瓶颈理论提出了一个去除输入图中非关键信息并保持输入图本质信息结构不变的锚定视角,命名为 SEGA,并实验验证其在无监督学习、半监督学习和迁移学习等多个基准测试中较之最先进的方法取得了更好的性能表现。
- 使用图神经网络(GNN)对交通网络中的图进行边缘排名
该文章提出一种基于图神经网络的边缘排序方法,用于评估不同边缘连接的重要性,并在大规模网络中表现出高效和准确的性能,此方法特别适用于城市基础设施的改进、电力和水资源网络的弹性分析以及工程网络的资源分配优化。
- DEDGAT: 双向嵌入式有向图注意力网络用于金融风险检测
本文提出了一种有向图注意力网络 DGAT,通过明确引入出度对注意力计算中,充分利用有向图的出度信息。同时,我们进一步提出了 DGAT 的双重嵌入 DEDGAT,可将每个节点分配入度和出度表示,并使用这两个嵌入计算入度和出度节点的注意力权重。