GNN论文周报 | 来自北航、中科院、MSRA、新加坡国立大学、慕尼黑工业大学等机构前沿论文研究...

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

近年来，由于图结构的强大表示能力，用机器学习方法分析图结构的研究越来越受到重视。图神经网络（GNN）是图领域中一类基于深度学习的方法，由于其卓越的性能和较好的可解释性，GNN 已在图分析中得到了广泛的应用。

本周精选了10篇GNN领域的优秀论文，来自北航、中科院、MSRA、新加坡国立大学、慕尼黑工业大学等机构。

为了方便大家阅读，只列出了论文标题、作者、链接等信息，如果感兴趣可扫码查看原文，PC端数据同步（收藏即可在PC端查看），每日新论文也可登录小程序查看。

1. Self-organization Preserved Graph Structure Learning with Principle of Relevant Information论文详情页

作者：Qingyun Sun,Jianxin Li,Beining Yang,Xingcheng Fu,Hao Peng,Philip S. Yu

AI华同学综述（大模型驱动）：大多数图神经网络遵循信息传递范式,假设观察到的结构代表了原始矩阵关系。然而,这种基本假设无法永远得到满足,即现实世界的图像总是不完整、不流畅或冗余。如何揭露其固有的图结构在统一的方式中仍有争议。我们提出了PRISL,一种基于相关信息的图结构学习框架,提供了一个简单的和统一的方法来识别自我组织以及隐藏结构。PRISL学习包含最大可能的最有用且最不缺失的信息。

2. MM-GNN: Mix-Moment Graph Neural Network towards Modeling Neighborhood Feature Distribution论文详情页

作者：Wendong Bi,Lun Du,Qiang Fu,Yanlin Wang,Shi Han,Dongmei Zhang

AI华同学综述（大模型驱动）：图生成模型的实用性本文提出了一种新的图生成的模型,即混沌图生 imponerende图神经网络(MM-GNN)。它包括一个多阶 moments插入(MME)模块和一个基于元素的注意力推导模块。我们在15个实际的图上进行了广泛的实验,以评估我们的模型,并得出的结果证明了该模型优于现有的先进模型。

3. Neuron with Steady Response Leads to Better Generalization论文详情页

作者：Qiang Fu,Lun Du,Haitao Mao,Xu Chen,Wei Fang,Shi Han,Dongmei Zhang

AI华同学综述（大模型驱动）：我们提出了一种称为神经连贯性规律的通用规范化方法。它可以减少神经递归变量。基于复杂度度量的理论,我们推断了神经连贯性假设:类似于同类受试者的神经具有更好的通用性。因此,我们提出了一种叫做神经连贯性规范化的通用方法。

4. A Generalization of ViT/MLP-Mixer to Graphs论文详情页

作者：Xiaoxin He,Bryan Hooi,Thomas Laurent,Adam Perold,Yann LeCun,Xavier Bresson

AI华同学综述（大模型驱动）：基于图的神经网络在本文中,我们提出了一种通过计算机视觉引入维特和麦克风混合结构来解决这些缺陷的新方法。我们介绍了一种称为图麦克风的多项式框架,它捕获了长距离依赖性和减轻了过度弯曲的问题。我们在4个模拟数据集上进行了测试,并表明我们的框架在7个实际数据集上都取得了令人满意的结果。

5. Training Differentially Private Graph Neural Networks with Random Walk Sampling论文详情页

作者：Morgane Ayle,Jan Schuchardt,Lukas Gosch,Daniel Zügner,Stephan Günnemann

AI华同学综述（大模型驱动）：图形神经网络的隐私被认为会给训练数据带来的风险。然而,将这种技术应用于基于图的结构化数据模型时面临着新的挑战。我们提出了三种随机路径的分布式方法来训练图形神经网络,并对生成的数据收集分布进行精确分析以提供强有力的安全保证。通过广泛的实验,我们证明了我们的方法在三个大图中都优于或超过最先进水平。

6. 2-hop Neighbor Class Similarity (2NCS): A graph structural metric indicative of graph neural network performance论文详情页

作者：Andrea Cavallo,Claas Grohnfeldt,Michele Russo,Giulio Lovisotto,Luca Vassio

AI华同学综述（大模型驱动）： 图神经网络在许多领域都能获得最先进的性能。其基本能力将节点表示为它们周围位置的概述证明了它们对同性恋数据的有效性。然而,对于所有同性恋图中都可能出现的不同的类型图,GNN在某些情况下表现不佳,而局部信息往往不够代表性或误导。本文突出了人们广泛使用的同性恋配价和最近的十字路径相似度度量存在限制。为了克服这些限制,我们引入2Hop邻居类相似度(2NCS),一种新的定量图结构属性,该属性与GNN性能比其他度量具有更强有力的相干性。

7. GraphCast: Learning skillful medium-range global weather forecasting论文详情页

作者：Remi Lam,Alvaro Sanchez-Gonzalez,Matthew Willson,Peter Wirnsberger,Meire Fortunato,Alexander Pritzel......

AI华同学综述（大模型驱动）：  图像建模是一个基于图的神经网络和一种新的高度解析的多边形矩阵表示。它可以在6小时内生成10天的天气预报,每个变体在37个垂直压力水平下,每变体在25x25公里大小的地图上。我们的结果表明,图像建模比最准确的先前基于机器学习的基线预测模型更精确。

8. Graph Learning with Localized Neighborhood Fairness论文详情页

作者：April Chen,Ryan Rossi,Nedim Lipka,Jane Hoffswell,Gromit Chan,Shunan Guo,Eunyee Koh,Sungchul Kim,Nesreen K. Ahmed

AI华同学综述（大模型驱动）：  在本文中,我们形式化地将Neighborhood Fairness概念引入文本中,并开发了一个计算框架来学习这种局部公平嵌套。我们认为,由于基于基线模型的模型在节点级别运行,该术语更恰当。我们提出了一个区块链分类器,用于从任意数据中学习区块图表示。

9. Reinforced, Incremental and Cross-lingual Event Detection From Social Messages论文详情页

作者：Hao Peng,Ruitong Zhang,Shaoning Li,Yuwei Cao,Shirui Pan,Philip Yu

AI华同学综述（大模型驱动）：从社交信息中发现社交事件的重新强制、增量和跨语言事件检测架构是一项挑战。然而,现有的事件检测方法通常与歧义事件特征、分散文本内容和多种语言作战。在本文中,我们提出了一种新的重新强制的、增量的和跨域的社会事件检测体系,即芬事件。具体地说,我们首先模拟社交消息,然后我们提出了一个新的增强的多对多关系图神经网络框架,以选择最优聚类阈值来学习社交数据嵌入。为了解决长期问题,提出了一种平衡的采样策略指导反向学习机制,用于增量社交新闻表示学习。最后,我们实现了跨语言社交聚类任务的转换。

10. Complete the Missing Half: Augmenting Aggregation Filtering with Diversification for Graph Convolutional Networks论文详情页

作者：Sitao Luan,Mingde Zhao,Chenqing Hua,Xiao-Wen Chang,Doina Precup

AI华同学综述（大模型驱动）：在本文中,我们研究了基于图的神经网络(GNN)学习算法的聚类和多路径过滤器。这些算法通过给定一组特征并将它们扩展到更具标志性的节点上进行迭代训练,以生成具有更高层次特征的多路径过滤器。我们在9个标记分类任务的基准数据集上的实验表明,该方法优于现有的GNN方法,并且显著提高了性能。

往期精彩文章推荐

记得关注我们呀！每天都有新知识！

 关于AI TIME 

AI TIME源起于2019年，旨在发扬科学思辨精神，邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索，加强思想碰撞，链接全球AI学者、行业专家和爱好者，希望以辩论的形式，探讨人工智能和人类未来之间的矛盾，探索人工智能领域的未来。

迄今为止，AI TIME已经邀请了900多位海内外讲者，举办了逾400场活动，超400万人次观看。

我知道你

在看

哦

~

点击 阅读原文 解锁更多精彩！