Graph Classification
PulseAugur coverage of Graph Classification — every cluster mentioning Graph Classification across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的图字典学习框架使用最优传输改进分类
研究人员开发了一个新的图字典学习（GDL）框架，该框架将图表示为从其滤波拉普拉斯算子导出的零均值高斯分布。该框架使用学习到的原子图的质心来近似观测到的图，并使用一种新颖的滤波器图距离（fGOT）度量进行测量。通过一种称为代理fGOT（sfGOT）的可处理近似来最小化重构误差，该近似通过反向传播进行端到端优化，并与Hilbert-Schmidt独立性准则相关联，以最大化节点谱嵌入之间的统计依赖性。实验表明，该方法在图聚类和分类任务中取得…
-
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。