graph sampling | BriefGPT - AI 论文速递

关键词graph sampling

搜索结果 - 12

GRAPES: 学习对于可扩展图神经网络进行图样本采样
图神经网络通过以各种方式聚合邻域信息来学习图中节点的表示，然而随着网络深度的增加，其感受野会呈指数增长，导致内存开销过大。为了解决图神经网络的内存问题，图采样通过在图中对节点进行采样，从而使得图神经网络能够适应更大规模的图。本文引入了 GR
PDF9 months ago
IJCAI基于图采样的分子属性预测元学习
为了有效利用分子和性质之间的多对多关系，我们提出了一种基于图采样的元学习（GS-Meta）框架来解决少样本分子属性预测问题。在五个常用基准测试中，GS-Meta 方法在 ROC-AUC 上始终优于现有技术 5.71％-6.93％，并验证了每
PDFa year ago
ICML图标贴：无中间通信的惊人简单并行 GNN 训练
本文提出了一种基于数据的模型汤算法，通过将巨大的图数据分割成多个相对较弱的 GNN，然后使用贪心插值汤过程组合它们的强度，从而改善 GNN 的扩展性能。在许多真实世界的小型和大型图上进行了广泛实验，结果表明该算法的有效性并且为 GNN 的扩
PDFa year ago
通过非参数子图匹配解释图神经网络
本文提出了一种非参数子图匹配框架 MatchExplainer 和增加范例 MatchDrop，用于解释图神经网络预测结果中的关键子结构，实验结果表明无论是在合成数据集还是真实世界数据集上都优于所有参数基线，并且我们的 MatchDrop
PDFa year ago
ICML使用 1000 层图神经网络进行训练
本研究提出了可逆连接、分组卷积、权重绑定和平衡模型以提高图神经网络的内存和参数效率，并发现可逆连接结构与深层神经网络架构相结合，使得训练的过参数化 GNNs 在多个数据集上显著优于现有方法。
PDF3 years ago
CVPR基于图采样的深度度量学习用于可泛化的行人再识别
本文提出了一种高效的迷你批次采样方法 (graph sampling)，通过构建类的最近邻关系图，在数据采样阶段使用 hard example mining，从而提供信息丰富且具有挑战性的样本进行学习，与竞争基线相比，能够在人员再认证方面显
PDF3 years ago
KDD不观察整张图，如何计算三角形数量
通过设计 TETRIS 算法，本研究在只能通过随机游走获取部分访问权限的情况下，实现了三角计数的可靠并实用的估计，该算法为首个证明的次线性算法，适用于低混合时间的图，可通过查看边数的 3% 来获得 5% 的相对误差的估计值。
PDF4 years ago
小毛球：一个用于图采样的 Python 库
本文介绍了一个 Python 库 “Little Ball of Fur”，其中包含超过 20 种图采样算法，旨在为大量专业人员、研究人员和学生提供节点、边缘和基于探索的网络采样技术，并展示该库的实用性，经实验证明，它可大大加速节点和整个图
PDF4 years ago
ACL邻域匹配网络用于实体对齐
本文介绍了一种名为 Neighborhood Matching Network 的实体对齐框架，利用图采样和交叉图邻域匹配模块来建立实体对齐方面的表示。该方法可以有效地估计更复杂的邻域相似度，并在三个实体对齐数据集上显著优于 12 种现有的
PDF4 years ago
WWW使用次线性图样本证明和实现度分布的近似
文章介绍了一种名为 SADDLES 算法的新型图采样算法，使用 $h$-index 和 $z$-index 对度分布进行分析，并在实际数据集上展示了准确性和性能。
PDF7 years ago
图采样的调查与分类
本文系统总结了图采样的目标和方法，并对其关系进行了形式化论证，提供了将理论分析与实际应用桥接的通用框架。通过研究哪些图属性在采样过程中得以保留，展现了一种构造高效估算器的方法，并可以加速一类图算法的实现。此外，文章还讨论了一些高级属性，同时
PDF11 years ago
超越随机游走和 Metropolis-Hastings 采样器：为什么你不应该为了无偏图采样而进行回溯
提出了 NBRW-rw 和 MHDA 算法分别解决了 SRW-rw 和 MH 算法扩散速度慢的问题，提供更高效率的无偏图采样。
PDF12 years ago