关键词message-passing paradigm
搜索结果 - 6
- 差分编码改进图表示学习
我们提出了一种差分编码方法来解决信息丢失的问题,并通过与原始聚合的局部或全局表示相结合,生成更新的节点嵌入。通过集成差分编码,改进了生成的节点嵌入的表征能力,并在七个基准数据集上对差分编码方法进行了实证评估,结果表明这是一种改进了信息传递和 - KDD高度网络表示学习的高效拓扑感知数据增强
TADA 是一种前置数据增强框架,用于高度图中的图神经网络,通过结构嵌入和拓扑属性感知图稀疏化的方式,提高了主流 GNN 模型在节点分类任务上的预测性能。
- 借助双向知识传输释放 GNN 的潜力
通过对特征转换操作在几种典型的 GNN 上的性能进行实证调查,我们注意到 GNN 没有完全释放内在特征转换操作的潜力。因此,我们提出了一种双向知识传递(BiKT)的方法,通过该方法,我们可以不修改原始架构解放特征转换操作的潜力,并在 GNN - 基于本地感知的图重连技术在图神经网络中的应用
图神经网络是基于图的机器学习的流行模型,本文提出了一种新的图重连框架,通过一系列的重连操作满足降低过度挤压、保持图的局部性和稀疏性等特点,并验证其在多个真实世界基准测试中的有效性。
- 合作图神经网络
图神经网络是基于迭代计算的节点表示的图机器学习流行架构之一;本文提出了一个新的框架,用于训练图神经网络,其中每个节点可以选择自己的策略,从而更灵活地探索图拓扑结构并进行学习。
- 从多阶相互作用中发现并解释图神经网络的表示瓶颈
本文探讨了图神经网络在不同复杂情况下捕捉节点之间相互作用信息的能力,并发现了当前机制存在的问题,提出了一种基于交互模式的新颖图重连方法以缓解表征瓶颈并提高性能。实验结果证明了该方法的有效性及其优于现有基准算法的表现。