PAMI(IEEE Transactions on Pattern Analysis and Machine Intelligence),IEEE模式分析与机器智能汇刊,简称PAMI,是IEEE最重要的学术性汇刊之一。事实上,PAMI有着超高的影响因子(17.730)和排名,被誉为SCI之王。与顶级会议相比,顶级期刊的评议过程更为严格,特别重视工作的创新性和完整性,录取难度和门槛很高。
本期小编挑选了5篇PAMI2021中关于GNN的论文(附论文下载地址)分享给大家~ 包括图池化,ARMA滤波的GNN,GNN的Inductive-Transductive预测, GNN在多标签中的应用和GNN中的受限传播~
论文清单
Topology-Aware Graph Pooling Networks
Graph Neural Networks with Convolutional ARMA Filters
On Inductive-Transductive Learning with Graph Neural Networks
Learning Graph Convolutional Networks for Multi-Label Recognition and Applications
Deep Constraint-based Propagation in Graph Neural Networks
1 Topology-Aware Graph Pooling Networks
(论文下载地址:https://arxiv.org/abs/2010.09834)
![](https://i-blog.csdnimg.cn/blog_migrate/72bb59dd6fdb50c07d9b9755686bdf6b.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/15739505b674b765b5840295608fcfc6.jpeg)
池化操作在计算机视觉和自然语言处理任务中已显示出其有效性。但由于图上没有很好的定义局部性,在图数据上执行池化操作是一个具有挑战性的任务。先前的研究使用全局排名方法对一些重要节点进行采样,但是