探討圖神經網絡表達力的效率限制
圖神經網絡中使用有界超多項式Pfaffian激活函數的表達力是有限的,但仍可以通過一種近乎統一的方式有效地表達GC2查詢。
非卷積式圖神經網絡
提出一種不使用卷積運算的新型圖神經網絡架構，能夠克服卷積式圖神經網絡的局限性，如表達能力有限、過度平滑和過度壓縮等問題。
基於圖神經網絡和模型驅動強化學習的多智能體系統
本研究提出了一種"GNN for MBRL"模型,利用基於狀態空間的圖神經網絡和模型驅動強化學習來解決特定的多智能體系統任務,如台球避撞和自動駕駛汽車。
基於通達時間的圖神經網絡
本文提出了基於通達時間的圖神經網絡(Commute Graph Neural Networks, CGNN)方法,能夠有效地捕捉有向圖中節點之間的相互關係。
異質性圖學習的最新進展與未來方向
圖結構數據建模了現實世界實體之間的複雜關係。異質性圖中,連接的節點往往具有不同的標籤或特徵。近年來,異質性圖學習引起了廣泛關注,並在多個實際應用中發揮了重要作用。本文對異質性圖學習的最新進展進行了全面回顧,包括異質性度量指標、基準數據集、圖神經網絡模型、學習範式以及相關應用等。同時,我們也分析了現有研究面臨的主要挑戰,並展望了未來的研究方向。
利用深度殘差圖卷積網絡中的動態擴張聚合進行重疊社區檢測
本研究提出了一種基於深度動態殘差圖卷積網絡(DynaResGCN)和伯努利-泊松模型的有效和可擴展的重疊社區檢測框架。該方法在各種真實世界網絡上的性能顯著優於許多最先進的方法。
拓撲感知圖神經網絡：同質性和異質性交互解耦
提出DuoGNN，一種利用圖拓撲特性有效捕捉短程和長程節點依賴的可擴展和通用架構。
圖神經網絡程式設計語言 $\mu\mathcal{G}$
提出了一種新的圖神經網絡程式設計語言 $\mu\mathcal{G}$,旨在解決深度學習模型的可解釋性和可信度問題。$\mu\mathcal{G}$ 提供了一種形式化的方式來定義和組合圖神經網絡,並具有嚴格的語義定義。
圖神經網絡注意力機制中大規模激活的特徵分析
本研究首次系統性地探討了圖神經網絡中注意力機制引發的大規模激活現象,並提出了一種有效的檢測和分析方法。研究發現,大規模激活是圖神經網絡中注意力機制的一個關鍵特徵,對模型的性能和可解釋性產生重要影響。
圖神經網絡解釋方法 - GraphGI: 基於博弈互動的解釋方法
本文提出了一種新的圖神經網絡解釋方法GraphGI,該方法利用博弈理論中的互動值來識別對模型預測最為重要的子圖結構。GraphGI通過逐步添加邊,並計算子圖的互動強度,最終生成具有最高互動強度的解釋子圖。
© 2024 by Linnk AI