- 欢迎关注WX公众号,每周发布论文解析:PaperShare,
点我关注
论文列表
目前找了录用的一些有关于Graph或者GNN的文章,先过一遍各个文章的摘要,然后再花时间对觉得比较重要或者有趣的文章进行详细阅读。
Paper1-Paper2
Paper3-Paper4
Paper5
摘要简介
- GNN在link prediction任务上需要利用节点特征和拓扑结构。
- 但是那些利用距离来表示节点特征的SOTAs,受制于pooling,导致不能利用好loops和motifs。
- 我们提出的WALKPOOL,结合了拓扑结构的信息(topological heuristics)和NN的拟合能力。
- WALKPOOL利用节点特征的attention机制,来预测潜在graph的random walk probabilities。
- WALKPOOL可以用无监督的节点特征或者结合GNN进行end-2-end的训练。
- 在很多link prediction的测试集,包括同质异质,有无节点feature上表现SOTA.
- 将WALKPOOL用在一些无监督GNN上可以显著提升性能,可能可以作为一种通用的graph pooling scheme.
实验
看起来都挺提升了。
分析
(感觉也有可能是增加了模型capacity导致的提升,没有细看方法,之后下一篇精读一下,pooling确实在GNN里面比较重要,但是也有一篇NIPS的文章做的实验说是没有显著作用,见:Rethinking pooling in graph neural networks)
Paper6
摘要简介
- 不规则采样的多变量时间序列在很多领域都存在。
- 提出了一个GNN模型叫做RAINDROP,可以将不规则采样和多变量时间序列融合,并且能够学习到sensors的动态性。(不知道这个dynamics具体表示啥)
- RAINDROP将每个sample当成是一个分开的sensor graph,然后通过一个创新的message passing operator对不同sensor之间的动态时间依赖进行建模。
- RAINDROP能够利用潜在的sensor graph structure和sensor周边的observations来预测misaligned readouts(也不清楚具体表示啥)
- 在三个医护和人类活动数据集上,进行时间序列的分类和解释时间的动态性的实验。取得SOTA。
实验
PAM上提升比较大,P19,P12都差不多。
整体看还是有提升。