关键词message passing graph neural networks
搜索结果 - 9
- 图神经网络疯狂去派对
通过梯度下降来学习分布式算法的消息传递图神经网络（GNNs），当节点在推断期间异步更新时，会产生灾难性的错误预测。本研究探讨了这种失败在常见 GNN 架构中的原因，并将 “隐式定义” GNN 作为一类架构来证明其对部分异步 “hogwild - 多维向量神经元：更好更快的 O (n) 等变 Clifford 图神经网络
本研究通过测试几种基于 Clifford 多矢量的新颖消息传递图神经网络（GNNs），旨在解决当前大多数对 $O (n)$ 或 $SO (n)$ 等等变换具有等变性的深度学习模型在处理标量信息时效果较好，但计算复杂度较高的问题。我们的方法利 - 光谱图修剪抵抗过度压缩和过度平滑
通过删除边可以同时解决过度压缩和过度平滑的问题，从而提高图神经网络的泛化性能，并将谱间隙优化与减少计算资源的目标相连接。
- ICLRPF-GNN: 可微分粒子滤波法的通用图表示近似
通过引导学习过程的精确同构求解器技术，我们的算法使消息传递图神经网络具有通用性，通过从根到叶子节点的搜索树中采样多个路径，并结合粒子滤波更新来学习更具辨别性的表示，从而在运行时间仅线性增加的情况下，在同构检测的合成基准和真实世界数据集上始终 - 通过边级别自我网络编码改进子图 - GNNs
通过提供额外的节点和边缘特征或扩展消息传递格式，我们提出了一种新颖的用于在图上学习的边缘级自我网络编码，可以提升消息传递图神经网络（MP-GNNs）的能力。理论上，该编码比基于节点的子图 MP-GNNs 更具表现力。在四个基准测试和 10 - 提升表达能力的非冗余图神经网络
基于邻域树的新型聚合方案提高了表达能力，减轻了过度压缩，并通过神经树规范化技术提供了高分类准确性。
- 图嵌入神经网络的图信号分析
本文针对以往工作的不足，引入了一种有意义的图信号相似度度量，提出了一种称为图信号切割距离的相似度度量，证明了 MPNN 可以在图信号度量空间中满足收敛性并得出了二次元情况下相似度度量的性质，进而提出了 MPNN 的泛化界和稳定性。
- ICLR采用图神经算子的多尺度物理表示来近似偏微分方程解
本论文研究了三种基于神经积分算子的多分辨率模式，并使用消息传递图神经网络进行了验证，以解决描述物理现象中的偏微分方程最具挑战性问题之一 —— 在不同尺度下表示物理信号。
- AAAI身份感知图神经网络
本文提出了一种名为 Identity-aware Graph Neural Networks (ID-GNNs) 的消息传递图神经网络，通过节点中心的次元网络和异构消息传递来考虑节点的身份，在图形预测任务中比传统的 GNNs 提供更高的准确