实体
Graph Classification
Graph Classification
PulseAugur coverage of Graph Classification — every cluster mentioning Graph Classification across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新方法增强了时序图网络的可解释性
研究人员开发了一种新方法，通过关注时序图网络（TGNs）的记忆模块来解释其预测。该方法利用拓扑归因树来评估邻居及其历史数据的影响，并利用记忆回溯树来量化过去事件如何塑造节点记忆。该方法将LRP应用于TGNs，并包含用于识别重要事件的优化目标，在节点属性预测、链接预测和图分类等各种时序图数据集和任务上，已证明其解释的忠实性并优于现有基线。
-
新框架使用网络可用信息进行图分类
研究人员推出了一种新颖的图分类框架 NetinfoGC，该框架利用网络可用信息 (NUI) 范式。该方法通过从传播机制和经典结构描述符构建置换不变图表示，超越了传统的端到端神经网络训练。NetinfoGC 包括一个无训练程序，用于根据聚类一致性估计表示质量，作为监督学习之外任务相关信息的代理。实验表明，传统的中心性度量可以与学习到的表示方法相媲美，有时甚至优于它们，同时还显示了估计的 NUI 与下游分类准确度之间存在很强的相关性。
-
新的基于逻辑的图学习方法在速度和性能上可与GNN媲美
研究人员开发了Weisfeiler-Leman算法的新变体，用于图分类，这些变体涉及修改底层逻辑框架。这些变体允许图数据被表格化，从而能够应用标准的表格数据方法。在14个数据集上的实验表明，这种方法在预测性能上可与图神经网络和图Transformer相媲美，同时速度显著更快，并且不需要GPU资源。