- 具有消息传递保证的图简缩化
通过提出一种适用于粗化图的新的消息传递操作,我们在合成和真实数据上进行节点分类任务,并观察到与在粗化图上执行简单的消息传递相比,取得了改进的结果。
- RandAlign: 一种无参数的正则化图卷积网络方法
基于随机插值的 RandAlign 是一种无需额外参数的方法,用于解决消息传递图卷积网络中的过度平滑问题,并提高图表示学习的泛化性能。
- CVPR因子图约束下的布局生成
通过因子图神经网络的消息传递,根据用户需求生成符合要求的户型设计,实现了在空间约束下对象中心化的布局生成。
- 情境化信息强化图表示
本论文从理论角度探索了具有不可数节点特征表示的图神经网络的表征能力,提出了一种新颖的软同构关系图卷积网络(SIR-GCN),并通过与其他常用图神经网络的数学关系进行验证,证明其在简单节点和图属性预测任务中优于其他模型。
- 量子启发式的几何建模的神经网络
通过创造物理系统的 3D 多体点云,我们提出了一种新型的基于等变矩阵乘积态 (MPS) 的消息传递策略,有效地建模复杂的多体关系并捕捉了几何图中的对称性,超越了现有的几何图神经网络的平均场近似,并在预测经典牛顿系统和量子张量哈密顿矩阵等基准 - WWW同步演化黎曼空间上的对比顺序交互网络学习
我们提出了一种在协同演化黎曼空间中学习顺序交互网络的对比模型 CSINCERE,通过跨不同黎曼几何的表示空间进行信息传递的交叉空间聚合,并基于黎曼曲率设计了神经曲率估计器来建模空间的演化,通过重新加权的顺序网络时间视图之间的对比来进行交互预 - 利用社区结构减轻消息传递机制中的度偏差
利用社区结构来解决消息传递中节点度偏差的问题,通过可学习的图增强和新颖的图转换器来学习无偏度的表示,提出了社区感知图转换器 (CGX)。
- Symphony: 分子生成的对称等变点心球谐函数
Symphony 是一个 $E (3)$- 等变自回归生成模型,用于生成三维分子几何体,通过分子碎片的迭代构建分子。通过使用高阶 $E (3)$- 等变特征的消息传递,Symphony 能够有效地建模分子的三维几何结构,从而得到概率分布的新 - 用于生物医学远程监督关系抽取的句子包图形建模
我们介绍了一种新颖的基于图的框架,用于缓解远程监督关系抽取中的关键挑战,并展示了其在生物医学数据领域的效果。特别地,我们提出了一种针对实体对引用的句子包的图视图,它可以通过信息传递的方式聚合与实体对相关的句子包中的信息。所提出的框架缓解了远 - Transformers 高效分层化化学图学习器
SubFormer 是一种图变换器,通过消息传递机制对子图进行操作,减少了标记数量,增强了学习长距离交互的能力。在预测分子属性和化学结构方面,SubFormer 与最先进的图变换器相比,在计算成本的一小部分情况下保持着竞争力,并且在消费级显 - ICML变压器中的图归纳偏差,无需消息传递
GRIT 是一种新的图形变压器,它不使用消息传递,而是通过相对位置编码、灵活的注意机制和注入每层度信息等结构改变来整合图形感应偏差,并在多个图形数据集上实现了最先进的经验性能。
- 稀疏图消息传递架构的最优性
本文研究特征装饰的图上节点分类问题,介绍了渐近局部贝叶斯最优性的概念,在满足一定统计数据模型下计算了优化分类器,并发现最优的消息传递图神经网络架构在低图信号的情况下与标准 MLP 架构相似,在高图信号的情况下与典型卷积架构相似,此外,对相关 - SA-MLP: 将 GNN 中的图知识蒸馏为结构感知的 MLP
采用结构感知的多层感知机(SA-MLP)来代替节点再递归获取和聚合并加入结构信息以提高大规模图上的推理加速,并且引入了结构混合知识蒸馏策略以增强 MLPs 学习结构信息的能力并在传递性和归纳性场景下对 8 个基准数据集进行广泛实验,从而比教 - 部分可观察子图表示学习的模型和基准
本文提出了一种用于学习部分观察子图表示的新任务,设计 PSI 框架以及广义了现有的信息最大化模型,并针对此问题进行了实验,结果表明 PSI 模型优于基线模型。
- CVPRHL-Net:用于场景图生成的异质性学习网络
该研究提出了一种新型网络,Heterophily Learning Network(HL-Net),通过采用自适应重新加权变压器模块、关系特征传播模块和异质性感知消息传递方案来全面探索场景图中对象 / 关系之间的同质性和异质性,实现了更好的 - DropMessage:图神经网络的随机丢弃统一化
本文提出了一种新的随机删除方法 DropMessage,通过随意遮盖传递消息过程中所传递的关键信息,从而提供了一个通用框架。实验结果表明,DropMessage 方法在多任务和各种模型上表现出了效果和泛化能力,并显著减轻了过度拟合、过度平滑 - 超图边表示学习
该研究提出了一种基于双超图转换的边表示学习框架,将图中的边转换为超图的节点,并应用基于消息传递的技术进行边的表示学习和综合,并将其应用于图表示和分类中。结果表明该方法优于现有的图表示和汇聚方法。
- IJCAIUniGNN:一种用于图和超图神经网络的统一框架
本文提出了 UniGNN 框架,使得现有的图神经网络能够直接应用于超图,并证明了该框架比传统算法更有效地处理超图数据。
- EMNLP双向交互的半监督双语词典归纳
本文提出了一种新的半监督双语词表归纳框架,通过先验最优运输和双向词典更新等机制促进有标注和无标注数据之间的交互,在 MUSE 和 VecMap 数据集上表现出显著的提高,并通过消融研究证明了受监督信号和无监督对齐之间的双向交互对于整体性能的 - ICML使用 Spektral 在 TensorFlow 和 Keras 中实现图神经网络
这篇论文介绍了 Spektral,一个在 TensorFlow 和 Keras 平台上搭建图神经网络的开源 Python 库。该库提供了许多建立在处理图的工具和流行基准数据集的基础上的深度学习方法。它旨在为创建图神经网络提供基础模块,注重用