그래프 변환기의 확장성을 높이기 위해 효율적이고 유연한 주목 구조인 AnchorGT를 제안한다.
그래프 기계 학습 분야에서 자동화된 접근 방식을 통해 다양한 그래프 관련 작업에 대한 최적의 기계 학습 알고리즘을 발견하는 것이 점점 더 중요해지고 있다.
그래프 데이터의 편향을 완화하고 공정성을 향상시키기 위해 지도 대조 손실과 환경 손실을 활용한 새로운 프레임워크를 제안한다.
그래프 스펙트럼 정보를 그래프 변환기 모델에 직접 통합하여 성능을 향상시킬 수 있다.
이 논문은 그래프 신경망을 활용하여 이진 프로그래밍 문제의 해결책을 효율적으로 근사할 수 있는 방법을 제안한다.
그래프 신경망은 고차수 노드에 대해 더 나은 성능을 보이는데, 이는 저차수 노드의 소외로 이어질 수 있다. 본 연구는 메시지 전달 그래프 신경망의 노드 차수 편향의 기원을 이론적으로 분석하고, 실험적으로 검증한다.
본 논문에서는 그래프 확산을 다양한 특징 공간에서 일반화하고, 인셉션 모듈을 사용하여 복잡한 네트워크 구조로 인한 많은 계산을 피하는 GIDN 모델을 제안한다.
연속 그래프 신경망(CGNNs)과 스파이킹 신경망(SNNs)을 통합한 COS-GNN 모델을 제안하여, 에너지 효율성과 동적 학습 능력을 동시에 달성한다. 또한 고차 구조를 도입하여 SNNs의 정보 손실 문제를 완화하고, 이론적으로 폭발 및 소실 기울기 문제를 해결한다.
MIRAGE는 메시지 전달 GNN이 입력 그래프를 계산 트리의 다중 집합으로 분해한다는 통찰을 활용하여, 이 계산 트리의 빈도 분포가 종종 편향되어 있음을 이용하여 간단한 증류 프로세스를 통해 데이터를 압축합니다. 이를 통해 MIRAGE는 기존 그래프 증류 알고리즘의 한계를 극복하고 모델 독립적이며 효율적인 증류 기법을 제공합니다.
그래프 기계 학습 실무자들의 표현력에 대한 개념과 Weisfeiler-Leman 테스트를 사용한 표현력 측정 간의 불일치를 밝히고, 이를 바탕으로 표현력 측정을 위한 대안적 접근법을 제안한다.