- 稀疏几何 MPNN 的表达能力研究
研究了信息传递神经网络在几何图形中的表达能力,证明了当底层图形是连通的时候,具有旋转等变特征的信息传递网络能够分离非等价的几何图形,并介绍了一个简单的结构,EGENNET,在合成和化学基准测试中取得了理论保证并与其他结构相比较有利。
- 使用分级支持图进行下一级的消息传递
通过引入分层支持图 (HSG),该研究在 MPNN 中提出了一种解决局限性的策略,以促进图中的全局信息交流,经过理论分析和实证研究发现,HSG 能够在多个数据集上达到最先进的性能。
- 重新审视注意力权重作为消息传递神经网络的解读
自我注意机制在信息传递神经网络(MPNNs)中得到了采用,它自适应地控制着沿着底层图的边缘流动的信息量。然而,现有的研究通常使用简单的计算方法来从注意力中推导出归因分数,并且不考虑边缘归属的精确和谨慎计算。
- ICML具有共现知识和可学习的术语频率的场景图生成策略
通过引入 Co-occurrence Knowledge 以及可学习的 TF-l-IDF,我们提出了一种用于场景图生成的模型(CooK),该模型在 SGG 基准数据集中取得了高达 3.8% 的性能提升,对于所有 MPNN 模型表现出了一致的 - 通过全局和局部的非耗散性解决图形过度压缩
该论文介绍了一种解决过度压缩问题的新方法,利用全局和局部非耗散性的属性,通过 SWAN 模型实现了信息的稳定流动速率。理论分析和对合成和真实世界基准的实证评估验证了 SWAN 的理论理解和其减轻过度压缩的能力。
- 通过基于拓扑的界限收紧验证消息传递神经网络
我们通过拓扑结构来收紧边界,使用一种基于整数优化的计算方法,为消息传递神经网络(MPNNs)提供鲁棒的证明,从而解决图神经网络(GNNs)容易受到攻击的问题。
- 一个门控的 MLP 架构用于学习时空图中的拓扑依赖关系
通过利用拓扑非平凡不变量,我们提出了一种新的基于时空图的图神经网络 (Cy2Mixer),它由消息传递块、循环消息传递块和时间块组成,有效地捕捉了时空图的空间和时间关系,并在各种交通基准数据集上展示了最先进的性能。
- 关于 GNNs 中过度压缩问题的阐述:当前方法,基准和挑战
论文总结了当前文献中过度压缩问题的不同表述,并提出了三种解决这一问题的方法,讨论了过度压缩与可表达能力之间的对齐以及过度压缩与过度平滑之间的权衡,总结了现有工作中用于验证过度压缩缓解方法有效性的实证方法,并列出了一些有待进一步探索过度压缩问 - 自适应对编码用于链接预测
LPFormer 是一种新方法,通过学习适应性地编码每个链接的成对编码,以实现链接预测,并通过建模与链接预测相关的多个因素的注意力模块来模拟链接之间存在的成对编码。大量实验证明,LPFormer 在许多数据集上能够达到最先进的性能同时保持效 - 等变矩阵函数神经网络
矩阵函数神经网络是一种新颖的架构,通过分析的矩阵等变函数参数化非局部交互。在标准图形基准测试中,MFN 架构实现了最先进的性能,并能够捕捉量子系统中复杂的非局部交互,为新的最先进力场铺平了道路。
- 优化架构的消息传递神经网络用于带隙回归
通过基于图的神经网络(Graph-based neural networks)和消息传递神经网络(message-passing neural networks,MPNNs),我们训练了一个 MPNN,首先使用 AFLOW 数据库中的密度泛 - 联合子图神经网络
本文提出了一种名为 Union Subgraph Neural Network 的图神经网络模型,通过注入从新类型的子结构中提取的邻居连接信息以有效地编码高阶连接性,该模型被证明在区分非同构图方面比 1-WL 更强大,并且在 17 个基准测 - RELS-DQN: 一种用于组合优化的稳健高效的局部搜索框架
本文介绍了一种名为 RELS-DQN 的深度强化学习(DQN)框架,其利用消息传递神经网络(MPNN)实现局部搜索行为,且在保证运行时和内存效率的同时,在各种应用中实现比本地搜索算法和现有 DQN 模型更高的解值。
- 关于消息传递神经网络作为全局特征图变换器的表达能力
本文探讨了消息传递神经网络(MPNN)在转换其输入图中节点存储的数字特征方面的能力。我们引入了全局特征映射变换器(GFMT)的概念,并以 GFMT 的基本语言 MPLang 作为表现能力的标准。我们考虑了精确与近似表现力、任意激活函数的使用 - ICLR等变子图聚合网络
提出了一种名为 Equivariant Subgraph Aggregation Networks(ESAN)的新框架,它可以代表每个图形并将其处理为一个经过适当等变架构处理的子图集合,从而提高了图形信号处理的表现力。
- 用于分子性质预测的图神经网络架构搜索
通过神经架构搜索,我们设计了一个自动化的消息传递神经网络(MPNNs)用于预测小分子的分子性质。 将自动化发现的 MPNNs 与手动设计的 GNNs 进行比较,表明后者在分子性质预测上表现更优。
- ICLR几何图卷积神经网络:Geom-GCN
本文提出了一种新的基于几何学聚合的 aggregation 方案,包含三个模块:节点嵌入,结构化邻域和双层聚合,并将其实现到图卷积网络中,命名为 Geom-GCN。在多个开放数据集上的实验结果表明,Proposed Geom-GCN 已经达 - 用于高通量聚合物筛选的信息传递神经网络
研究表明,基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一,并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明,即使不要求最优的立体结构输入,利用信息传递神经网络可以获得与现有基准数据集