关键词message-passing mechanism
搜索结果 - 8
- 异质图神经网络中的消息传递再探
基于对异构图神经网络中的消息传递机制的研究，本文提出了统一异质消息传递（HTMP）机制以及一种名为 CMGNN 的新方法，通过显式利用和改进兼容性矩阵，实现了在真实世界的异质图中消息传递机制和 CMGNN 方法的卓越性能。
- 异质性下的链接预测：一种受物理启发的图神经网络方法
基于 GRAFF 方法的 GRAFF-LP 扩展能够改善异质图下的链接预测性能，通过在一系列异质图数据集上的评估，相对 AUROC 提升达到最高 26.7%。
- 使用残差连接和加权消息传递推广 GNNs
本研究论文讨论了使用图神经网络（GNNs）进行学习和预测任务的关键，包括如何通过修改信息传递机制来提高学习和加快收敛。
- GNNBleed：利用真实访问 GNN 模型揭示图中的私有边缘
该论文研究了对抗者拥有黑盒图神经网络模型访问权限的情景下的边缘隐私，通过分析与节点相连的节点的输出来推断节点之间的联系，揭示了即使在具有访问控制机制的系统中，一个适应性对手仍然可以破译节点之间的私密连接，从而揭示潜在敏感关系并损害图的机密性 - 图神经网络在恒等效果学习中的泛化限制
在研究中，我们分析了 Graph Neural Networks 在简单认知任务中的能力，并讨论了其在学习所谓的 “identity effects” 时的一般化特性和基本限制。 我们通过两个案例研究来支持我们的理论分析。
- 自注意力层
通过对 transformer 中不同标记和 graph neural network 中不同节点在深层的相似性进行分析，我们提出了一个简单的修正项，它可以有效地消除过度平滑问题，在弱监督分割任务上表现优于通常基准方法，并且在非常深的图神经 - 透明双注意力图神经网络：了解节点分类信息传递机制的图解密
该论文介绍了一种名为 Graph Decipher 的透明网络，通过优先考虑两个主要组成部分：图形结构和节点属性，来改进图神经网络中的消息传递机制，同时使用图形特征过滤器提取相关的代表性节点属性，从而在节点分类任务下实现了优异的性能并减少计 - 面向带有稀疏标签噪声图的鲁棒图神经网络
本篇论文研究如何开发一种具有噪声图和有限标记节点的噪声阻抗图神经网络，通过采用噪声边作为监督来学习去噪和密集图的新框架，并利用生成的边来规范化未标记节点的预测，以更好地训练图神经网络。实验结果表明，所提出的框架在具有有限标记节点的噪声图上具