ICLR2022 GNN论文阅读 (二) 泛读 (5-6)

• 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。