그래프 신경망 모델 DuoGNN: 동질성과 이질성 상호작용 분리를 통한 토폴로지 인식 그래프 신경망
DuoGNN은 그래프 토폴로지를 활용하여 동질성과 이질성 상호작용을 분리하고, 이를 독립적으로 처리함으로써 장단거리 상호작용을 효과적으로 학습할 수 있는 확장성 있는 그래프 신경망 모델이다.
그래프 데이터의 범위 인식 위치 인코딩을 위한 고차 사전 학습: 이론과 실제
그래프 데이터의 다중 해상도 구조 정보를 모델링하는 새로운 사전 학습 전략을 제안하여 전반적인 그래프 정보를 포착하면서도 지역 구조를 보존할 수 있다.
그래프 신경망의 강건성 향상을 위한 p-Laplacian 기반 방법
그래프 데이터에 대한 적대적 공격으로부터 그래프 신경망의 강건성을 향상시키기 위해 p-Laplacian 기반의 효율적인 프레임워크를 제안한다.
장거리 상호작용 학습을 위한 비역행 그래프 신경망
본 연구에서는 비역행 그래프 신경망(NBA-GNN)을 제안하여 그래프 신경망의 메시지 전달 과정에서 발생하는 중복성 문제를 해결하였다. NBA-GNN은 이전에 방문한 노드로부터의 메시지를 포함하지 않는 비역행 메시지 전달 방식을 사용하여 과도한 정보 압축(over-squashing) 문제를 완화하고, 희소 스토캐스틱 블록 모델에서도 우수한 성능을 보였다.
그래프 신경망에서 주목 메커니즘의 대규모 활성화 특성 분석
그래프 신경망에서 주목 메커니즘의 대규모 활성화 현상이 발생하며, 이는 모델의 성능과 해석 가능성에 영향을 미친다.
그래프 신경망의 다수준 설명을 체계적으로 생성하고 평가하는 GNNAnatomy
GNNAnatomy는 그래프릿을 사용하여 그래프 분류 작업에서 그래프 신경망의 의사결정 과정을 설명하고 평가하는 시스템이다.
관계 인식 이웃 집계를 위한 효율적인 텐서 분해 기반 그래프 신경망
본 연구는 관계 정보를 효과적으로 통합하여 지식 그래프 임베딩의 표현력을 향상시키는 새로운 그래프 신경망 모델을 제안한다.
확률 전파를 통한 그래프 신경망의 그래프 구조 및 표현 공동 학습
확률 전파 방법을 통해 관찰된 그래프 구조를 활용하여 노드 간 연결 확률을 개선하고, 이를 바탕으로 그래프 구조와 노드 표현을 공동으로 학습하는 방법을 제안한다.
그래프 신경망에서 순위 붕괴가 과도한 평활화와 과도한 상관관계를 야기한다
그래프 신경망에서 순위 붕괴는 과도한 평활화와 과도한 상관관계의 근본 원인이다.
그래프 신경망에 노드 콘텐츠 정보를 효과적으로 통합하는 방법
그래프 신경망에서 노드 콘텐츠 정보의 영향력을 유지하고 향상시키는 새로운 방법을 제안한다.
© 2024 by Linnk AI