![](https://img-blog.csdnimg.cn/aa7a8fed7b7e46cd8bf9af8cd66397cf.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
GNN 模型
文章平均质量分 93
GNN论文解析
杰克船长有烦恼
这个作者很懒,什么都没留下…
展开
-
并非所有边都是对等的:准确的结构感知图池网络(上)
图神经网络 (GNN) 在图相关任务中取得了最先进的性能。对于图分类任务,精心设计的池化算子对于学习图级表示至关重要。大多数源自现有 GNN 的池化算子通过对节点进行排序并选择一些排名靠前的节点来生成粗图。然而,这些方法未能探索图中节点以外的基本元素,这可能无法有效地利用结构信息。此外,所有连接到低排名节点的边都被丢弃,这破坏了图的连通性并丢失了信息。此外,所选节点倾向于集中在某些子结构上,而忽略其他子结构中的信息。原创 2022-10-20 16:59:21 · 517 阅读 · 0 评论 -
利用图神经网络进行药物再利用的计算方法(上)
药物再利用是一种识别已批准药物的新医学适应症的方法。这项工作提出了一个图神经网络药物再利用模型,我们将其称为 GDRnet,有效筛选已批准药物的大型数据库,并预测新疾病的可能治疗方法。我们将药物再利用作为多层异构网络中的链接预测问题,该网络具有约 140 万条边,可捕获代表药物、疾病、基因和人体解剖结构的近 42,000 个节点之间的复杂相互作用。GDRnet 有一个编码器-解码器架构,它以端到端的方式进行训练,以生成被测药物-疾病对的分数。原创 2022-10-19 21:09:05 · 653 阅读 · 0 评论 -
图神经网络的图网络学习(上)
图神经网络 (GNN) 在许多使用图结构数据的场景中取得了巨大成功。然而,在许多实际应用中,在应用 GNN 时存在三个问题:图未知、节点具有噪声特征以及图包含噪声连接。为了解决这些问题,我们提出了一种新的图神经网络,称为 GL-GNN。我们的模型包括多个子模块,每个子模块选择重要的数据特征,并在图未知时学习数据样本对应的关键关系图。GL-GNN 通过学习子模块的网络进一步得到图的网络。使用图网络上的聚合方法进一步融合学习到的图。原创 2022-10-15 11:02:48 · 797 阅读 · 0 评论 -
在图表示学习中打破同构图和异构图之间的壁垒(上)
在本章中,基本上简单介绍了一下基本的图神经相关的知识以及符号的定义问题。这里提两个点:要打破同构与异构的壁垒,而且还要准确率高。首要要解决的就是模型能不能识别出图特征。在本文中特征的筛选方法具体如下:定义一个标签为Y\mathbf YY的图G=(V,E)G=(V,E),则边的同构性定义为: 它表示连接具有相同类标签的两个节点的边的分数。边同质性的取值范围是 0 到 1。边同质性接近 1 的图称 为同质性图,而边同质性接近于 0 的图称为异质性图。原创 2022-10-13 22:26:06 · 550 阅读 · 0 评论 -
GATE(上)
在这项工作中,我们专注于具有挑战性的任务,神经疾病分类,使用功能磁共振成像(fMRI)。在基于人群图的疾病分析中,图卷积神经网络(GCNs)取得了显著的成功。然而,这些成就与丰富的标记数据和对虚假信号的敏感是分不开的。为了改善标签有效设置下的fMRI表征学习和分类,我们提出了一种新的理论驱动的GCNs自监督学习(SSL)框架,即用于fMRI分析的时间自监督学习(GATE)的图CCA。具体来说,这就要求设计一种适合的、有效的SSL策略来提取fMRI的形成特征和鲁棒特征。原创 2022-09-07 12:21:07 · 383 阅读 · 0 评论 -
Heterogeneous Edge-Enhanced Graph Attention Network For Multi-Agent Trajectory Prediction(HEATConv)
在异构图的领域,发现很多的方法都没有结合实际的任务的特征而是预设了很多自己的限制,这样就导致训练不好,本文就是解决这个问题原创 2022-08-26 20:04:02 · 1491 阅读 · 0 评论 -
GNN-FiLM Graph Neural Networks with Feature-wise Linear Modulation (FiLMConv)
文章介绍了一种线性特征调制feature-wise linear modulation (FiLM)新的图神经网络(GNN)。多数标准的GNN变体都是基于边的源节点表示通过边来传播信息。在GNN-FiLM, 目标节点的表示也会通过转换被应用到所有传入信息种,从而实现基于特征调制的信息传递。论文在三个数据集PPI, QM9 和VarMiuse上进行了测试,并在自己机器上和多个baseline(GGNN, R-GCN, R-GAT, R-GIN),进行了比较。原创 2022-08-25 16:02:24 · 477 阅读 · 0 评论 -
Pathfinder Discovery Networks for Neural Message Passing(PDNConv)
PDNs通过修正GAT上面的权值以及定义了动态聚合函数解决了在大型图上出现平滑问题,并且在工业界可以很好的应用原创 2022-08-23 18:15:28 · 462 阅读 · 0 评论 -
DO WE NEED ANISOTROPIC GRAPH NEURALNETWORKS?(EGConv)
作者认为EGC层可以作为目前来说的GNN层的替代层同时在效率和资源上都取得了不错的效果。原创 2022-08-22 17:02:14 · 721 阅读 · 0 评论 -
Path Integral Based Convolution and Pooling for Graph Neural Networks(PANConv)
图神经网络将传统神经网络的功能扩展到图结构数据。与CNNs类似,图卷积和池化的优化设计是成功的关键。我们借鉴物理学的思想,提出了一种基于路径积分的图神经网络(PAN),用于图上的分类和回归任务。具体来说,我们考虑了一个卷积操作,它涉及到每个连接消息发送者和接收者的路径,其权重取决于路径长度,这对应于最大熵随机游走。它将图拉普拉斯变换推广到一个新的转移矩阵,我们称之为最大熵转移(MET)矩阵,它是由路径积分形式导出的。重要的是,MET矩阵的对角线条目与子图的中心性直接相关,从而导致一种自然和自适应的池化机制。原创 2022-08-18 18:39:29 · 324 阅读 · 0 评论 -
Feature-Steered Graph Convolutions for 3D Shape Analysis(FeaStConv)
我们提出了一种新颖的基于局部滤波的图卷积结构FeaStNet,它适用于一般的图结构,包括规则的和不规则的。主要的创新之处在于,我们的体系结构基于网络的前一层的特征动态地确定局部过滤器。因此,网络学习特征(i)有效地塑造局部滤波器,和(ii)为最终的预测任务提供信息。我们在FAUST数据集上获得了比最先进的3D网格对应技术显著提高的结果,并在ShapeNet数据集上获得了与最先进的部分标记技术相当的结果,我们在点云上的k近邻图上应用了我们的模型。...原创 2022-08-16 12:28:08 · 440 阅读 · 0 评论 -
CGCNN
晶体图卷积神经网络(CGCNN)为材料性能预测和设计知识提取提供了一个灵活的机器学习框架。该框架利用10410^4104个训练数据对具有不同结构类型和组成的无机晶体的8种性质提供了可靠的DFT计算估计。作为知识提取的一个例子,我们将这种方法应用于新的钙钛矿材料的设计,表明从模型中提取的信息与常见的化学见解一致,并显著减少了高通量筛选的搜索空间算估计。...原创 2022-08-12 17:41:59 · 5491 阅读 · 0 评论 -
JUST JUMP: DYNAMIC NEIGHBORHOOD AGGREGATION IN GRAPH NEURAL NETWORKS(DNAConv)
我们提出了一个动态的邻域聚合(DNA)过程指导(多头)注意图上的表示学习。与目前遵循简单的邻域聚合方案的图神经网络相比,我们的DNA过程允许潜在不同位置的邻域嵌入的选择性和节点自适应聚合。为了避免过拟合,我们建议通过使用分组线性投影来控制输入和输出之间的通道级连接。在一些转导非解密实验中,我们证明了我们的方法的有效性。...原创 2022-08-08 18:07:45 · 321 阅读 · 0 评论 -
图预训练自监督:Strategies for Pre-training Graph Neural Networks(GINEConv)
少训练集对于一些特定机器学习任务是一个挑战,不过通过预训练(在数据丰富的情况下对相关任务的模型进行预训练,然后对感兴趣的下游任务进行微调)的方法,version和language领域已经有效解决了这一问题,但对于图数据集,仍是悬而未决的。本文提出了一种新的用于GNNs预训练的自监督方法。同时在单节点和全图的层级上预训练以获得一个同时学习了局部和全局表现的富有表现力的GNN。团队系统的研究了大量图分类数据集的预训练,一些初始策略仅在单节点或全图层级预训练,导致了在下游任务中出现负迁移。............原创 2022-08-04 11:35:40 · 1087 阅读 · 0 评论 -
TOPOLOGY ADAPTIVE GRAPH CONVOLUTIONAL NETWORKS论文笔记(TAGConv)
谱图卷积神经网络(Spectral graph convolutional neural networks, CNNs)需要对卷积进行近似,以降低计算复杂度,导致性能损失。本文提出了拓扑自适应图卷积网络(TAGCN),这是一种定义在顶点域上的图卷积网络。我们提供了一种系统的方法来设计一组固定大小的可学习滤波器来执行图上的卷积。这些滤波器在扫描图进行卷积时,其拓扑结构与图的拓扑结构相适应。TAGCN不仅继承了CNN对于网格结构数据卷积的特性,而且与图信号处理中定义的卷积一致。...原创 2022-08-03 14:03:50 · 1378 阅读 · 0 评论 -
RESIDUAL GATED GRAPH CONVNETS (ResGatedGraphConv论文笔记)
图结构数据,如社交网络、脑功能网络、基因调控网络、通信网络等,引起了人们对将深度学习技术推广到图领域的兴趣。在本文中,我们有兴趣设计可变长度图的神经网络,以解决顶点分类、图分类、图回归和图生成任务等学习问题。现有的大部分工作都集中在循环神经网络(RNNs)来学习图的有意义的表示,最近也引入了新的卷积神经网络(ConvNets)。在这项工作中,我们想要严格地比较这两个基础架构家族来解决图学习任务。我们回顾了现有的图RNN和ConvNet架构,并提出了LSTM和ConvNet的扩展到任意大小的图。剩余性。...原创 2022-07-29 18:41:49 · 587 阅读 · 0 评论