Boosting the Cycle Counting Power of Graph Neural Networks with I$^2$-GNNs
Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院);Institute for AI Industry Research, Tsinghua University(清华大学人工智能产业研究院)
本研究提出I$^2$-GNNs,通过为根节点及其邻居分配不同标识符,增强子图MPNNs的环计数能力,使其能在线性时间内计数所有3至6环,并在分子预测中表现优异。
2023-05-08 cs.LG
A Complete Expressiveness Hierarchy for Subgraph GNNs via Subgraph Weisfeiler-Lehman Tests
Peking University(北京大学)
近年来,子图神经网络已成为表达性图神经网络(GNNs)的一个重要发展方向。虽然已经提出了许多架构,但到目前为止,对于各种设计范式在表达能力方面的差异仍然存在有限的理解,也不清楚什么设计原则可以以最小的架构复杂性实现最大的表达能力。为了解决这些基本问题,本文通过子图Weisfeiler-Lehman测试(SWL)的镜头,对一般的基于节点的子图GNN进行了系统的研究。我们的中心结果是建立一个完整的层次结构的SWL严格增长的表现力。具体地说,我们证明了任何基于节点的子图GNN属于六个SWL等价类之一,其中$\mathsf{SSWL}$达到最大的表达能力。我们还研究了这些等价类如何在它们的实际表现力,如编码图距离和双连通性方面有所不同。此外,我们给出了一个紧密的表现力上界的所有SWL算法建立一个密切的关系,本地化版本的WL和FolkingWL(FWL)测试。我们的研究结果提供了对现有子图GNN的能力的深入了解,指导了新架构的设计,并通过揭示与2-FWL测试的固有差距来指出它们的局限性。最后,实验表明,尽管非常简单,但$\mathsf{SSWL}$启发的子图GNN在多个基准测试中的性能明显优于先前的架构。
2023-03-29 cs.CC cs.GT cs.LG
Ordered Subgraph Aggregation Networks
TU Munich(慕尼黑工业大学);RWTH Aachen University(亚琛工业大学);University of Antwerp(安特卫普大学);University of Stuttgart(斯图加特大学)
最近出现了许多子图增强的图神经网络(GNN),可以证明它提高了标准(消息传递)GNN的表达能力。然而,有一个有限的理解,这些方法是如何相互关联,以及Weisfeiler-Leman层次。此外,目前的方法要么使用给定大小的所有子图,随机均匀地对它们进行采样,要么使用手工制作的算法,而不是学习以数据驱动的方式选择子图。在这里,我们通过引入理论框架并扩展子图增强GNN的已知表达性结果,提供了一种统一的方法来研究此类架构。具体而言,我们表明,增加子图的大小总是增加的表达能力,并制定了更好地了解他们的局限性,将它们与建立$k\text{-}\mathsf{WL}$层次。此外,我们探索不同的方法来学习采样子图使用最近的方法通过复杂的离散概率分布的反向传播。从经验上讲,我们研究了不同子图增强型GNN的预测性能,表明与非数据驱动的子图增强型图神经网络相比,我们的数据驱动架构提高了标准基准数据集的预测准确性,同时减少了计算时间。
2022-10-15 cs.AI cs.DS cs.LG
Equivariant Subgraph Aggregation Networks
Purdue University(普渡大学);Imperial College London(伦敦帝国理工学院);Twitter(推特);MIT(麻省理工学院);UCSD(加州大学圣地亚哥分校);University of Tuebingen(图宾根大学);NVIDIA Research(英伟达研究院)
消息传递神经网络(MPNN)是用于图结构数据的深度学习的领先架构,这在很大程度上是由于其简单性和可扩展性。不幸的是,它表明,这些架构是有限的,在他们的表达能力。本文提出了一种新的框架称为等变子图聚合网络(ESAN)来解决这个问题。我们的主要观察是,虽然两个图可能无法区分的MPNN,他们往往包含可区分的子图。因此,我们建议将每个图表示为由一些预定义的策略导出的一组子图,并使用合适的等变架构来处理它。我们开发了新的变种的1维Weisfeiler-Leman(1-WL)测试图同构,并证明下界ESAN的表现力在这些新的WL变种。我们进一步证明,我们的方法增加了MPNN和更具表现力的架构的表达能力。此外,我们提供的理论结果,描述如何设计的选择,如子图的选择政策和等变神经架构影响我们的架构的表达能力。为了处理增加的计算成本,我们提出了一个子图采样方案,它可以被看作是我们的框架的随机版本。在真实数据集和合成数据集上进行的一系列实验表明,我们的框架提高了流行GNN架构的表达能力和整体性能。
2022-03-16 cs.LG stat.ML
Local Fragments, Global Gains: Subgraph Counting using Graph Neural Networks
Indian Institute of Technology Gandhinagar(印度理工学院冈德辛加尔)
本文提出局部k-WL算法和碎片技术,利用图神经网络提高子图计数的表达能力和效率,并展示其在复杂模式计数中的应用。
2025-11-30 cs.DS cs.LG
Subgraphormer: Unifying Subgraph GNNs and Graph Transformers via Graph Products
Technion - Israel Institute of Technology(以色列理工学院);Purdue University(普渡大学);NVIDIA Research(英伟达研究院)
本文提出Subgraphormer架构,通过揭示子图GNN与乘积图的联系,将其与图Transformer的注意力及位置编码统一,在多个数据集上显著提升性能。
2024-05-28 cs.LG
Curriculum Guided Personalized Subgraph Federated Learning
Sungkyunkwan University(首尔国立大学)
本文提出CUFL框架,通过课程学习逐步暴露GNN于易到难的子结构,缓解数据异质性和过拟合问题,提升联邦学习效果。
2025-08-30 cs.AI cs.LG
Self-supervised Subgraph Neural Network With Deep Reinforcement Walk Exploration
WASEDA University(早稻田大学)
本文提出RWE-SGNN框架,将子图神经网络与图神经网络解释器的生成方法结合,通过强化行走探索过程高效提取重要子结构,以数据驱动方式提升图表示学习的表达能力和性能。
2025-02-03 cs.LG
Twin Weisfeiler-Lehman: High Expressive GNNs for Graph Classification
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学)
通过Weisfeiler-Lehman(WL)测试,消息传递GNN的表达能力有上限。为了实现WL测试之外的高表达GNN,我们提出了一种新的图同构测试方法,即Twin-WL,它同时传递节点标签和节点身份,而不是只传递节点标签作为WL。身份传递机制编码了有根子图的完整结构信息,因此Twin-WL可以在区分图结构方面提供比WL更大的能力。在Twin-WL的基础上,通过定义有根子图上的读出函数,实现了两个Twin-GNN用于图分类:一个简单地读出有根子图的大小,另一个按照GNN的风格读出子图的丰富结构信息。我们证明了这两个Twin-GNN都比传统的消息传递GNN具有更高的表达能力。实验还表明,Twin-GNN在图分类任务中的表现明显优于最先进的方法。
2022-03-22 cs.LG
Differentially Private Densest Subgraph Detection
University of Virginia(弗吉尼亚大学);Biocomplexity Institute(生物复杂性研究院)
本文研究边隐私模型下的最密子图检测问题,提出了首个具有加性近似保证的序列和并行差分隐私算法,并在真实网络上验证了高密度网络中良好的隐私与准确性权衡。
2021-06-18 cs.AI cs.CR cs.DS
Combining Stochastic Explainers and Subgraph Neural Networks can Increase Expressivity and Interpretability
Sapienza University of Rome(罗马第一大学);UiT the Arctic University of Norway(挪威北极大学);NORCE Norwegian Research Centre(NORCE挪威研究中心)
本文提出联合预测图类别与可解释稀疏子图的新框架,在保持与随机子图提取策略相当准确率的同时提升GNN表达能力和可解释性。
2023-04-14 cs.LG
Distance-Restricted Folklore Weisfeiler-Leman GNNs with Provable Cycle Counting Power
Institute for Artificial Intelligence, Peking University(北京大学人工智能研究院);Washington University in St. Louis(华盛顿大学圣路易斯分校)
本文提出距离受限的d-DRFWL(2) GNN,通过限制消息传递的节点对距离避免子图提取开销,并证明其在d=2时即可计数3至6环,成为目前最高效的环计数GNN模型。
2024-01-11 cs.LG
Significant Subgraph Mining with Multiple Testing Correction
Osaka University(大阪大学);ETH Zürich(苏黎世联邦理工学院);University of Copenhagen(哥本哈根大学)
由于需要校正多个假设检验,寻找在一类事务中统计上显著丰富的项集的问题变得复杂。修剪不可测试的假设最近被提出作为一种策略,这项任务的重要项集挖掘。它被证明导致更大的统计功效,发现更多真正重要的项目集,比标准的Bonferroni校正真实世界的数据集。然而,一个悬而未决的问题是,这种排除不可检验的假设的策略是否也会导致子图挖掘中更大的统计功效,其中假设的数量比项集挖掘中的要大得多。在这里,我们通过对八个流行的图形基准数据集的实证调查来回答这个问题。我们提出了一种新的高效的搜索策略,它总是返回相同的解决方案,作为国家的最先进的方法,大约是两个数量级的速度。此外,我们利用子图之间的依赖性,考虑有效的测试次数,从而进一步提高统计功效。
2015-01-30 cs.LG stat.ME stat.ML
Tri-graph Information Propagation for Polypharmacy Side Effect Prediction
University of Sheffield(谢菲尔德大学);University of Waterloo(滑铁卢大学);Perimeter Institute for Theoretical Physics(圆周理论物理研究所)
药物组合的使用通常会导致多药副作用(POSE)。最近的一种方法将POSE预测公式化为药物和蛋白质图上的链接预测问题,并用图卷积网络(GCN)解决它。然而,由于POSE中的复杂关系,该方法具有较高的计算成本和内存需求。本文提出了一种灵活的三图信息传播(TIP)模型,该模型在三个子图上进行操作,通过蛋白质-蛋白质图到药物-药物图的传播来逐步学习表示。实验结果表明,TIP算法的准确率提高了7%以上,时间效率提高了83 $\times$,空间效率提高了3 $\times$。
2020-01-28 cs.LG stat.ML
SOLA-GCL: Subgraph-Oriented Learnable Augmentation Method for Graph Contrastive Learning
Beihang University(北京航空航天大学);Baidu Inc.(百度公司);Nanyang Technological University(南洋理工大学);Shanghai Jiao Tong University(上海交通大学)
本文提出 SOLA-GCL,一种面向子图的可学习图对比增强框架,通过子图划分及子图内外联合增强生成定制视图,并在多场景实验中验证其优于现有 GCL 方法。
2025-03-13 cs.LG
Towards Subgraph Isomorphism Counting with Graph Kernels
Hong Kong University of Science and Technology(香港科技大学)
针对子图同构计数这一#P完全难题,该研究率先探索图核在该任务中的应用,通过引入邻域信息并结合多项式、高斯等核变体增强图核能力,实验验证了方法的有效性。
2024-05-13 cs.LG
DSL: Discriminative Subgraph Learning via Sparse Self-Representation
University at Albany—SUNY(纽约州立大学奥尔巴尼分校)
网络状态预测(NSP)的目标是对与图中嵌入的特征相关联的全局状态(标签)进行分类。与经典的监督学习相比,这种图形结构编码特征关系是NSP的关键区别方面。NSP出现在各种应用中:嵌入在蛋白质-蛋白质相互作用(PPI)网络中的基因表达样本,基础设施或传感器网络的时间快照,以及来自多个受试者的fMRI相干网络样本等等。来自这些域的样本通常是“宽”的(比样本更多的特征),因此,特征子选择是鲁棒和可推广的预测所必需的。如何最好地利用网络结构,以学习简洁的连接子图,包括最有区别的功能成为一个中心的挑战,在NSP。先前的工作采用连接子图采样或优化框架内的图形平滑,导致质量的差异较大或对选定子图的连接性的控制较弱。在这项工作中,我们提出了一个区分子图学习(DSL)的优化框架,它同时执行(i)稀疏性,(ii)连通性和(iii)所得到的特征子图的高区分能力。我们的优化算法是一个单步解决方案的NSP和相关的特征选择问题。它植根于丰富的文献最大利润优化,谱图方法和稀疏子空间自表示。DSL同时确保了解决方案的可解释性和卓越的预测能力(与基线相比,在具有挑战性的实例中提高了16%),大型实例的执行时间长达一小时。
2019-03-24 cs.LG stat.ML
Explainability in subgraphs-enhanced Graph Neural Networks
UiT the Arctic University of Norway(挪威北极大学);Sapienza University of Rome(罗马第一大学);NORCE Norwegian Research Centre(挪威NORCE研究中心)
近年来,为了提高图神经网络(GNNs)的表达能力,引入了子图增强的图神经网络(SGNNs)。新范式建议使用从输入图中提取的子图来提高模型的表达能力,但额外的复杂性加剧了GNN中已经具有挑战性的问题:解释它们的预测。在这项工作中,我们将PGExplainer(GNN的最新解释器之一)改编为SGNN。所提出的解释器考虑了所有不同子图的贡献,并且可以产生人类可以解释的有意义的解释。我们在真实和合成数据集上进行的实验表明,我们的框架成功地解释了SGNN在图分类任务上的决策过程。
2023-01-19 cs.LG
Branching Strategies Based on Subgraph GNNs: A Study on Theoretical Promise versus Practical Reality
本文研究了基于子图GNN的分支策略,发现理论上的高表达力GNNs在实际应用中因计算成本过高而无法超越传统方法。
2025-12-10 cs.AI cs.LG cs.NA
Knowledge-Enhanced Recommendation with User-Centric Subgraph Network
Tsinghua University(清华大学);Paradigm Inc.(Paradygm公司);The Hong Kong University of Science and Technology (GZ)(香港科技大学(广州))
针对KG推荐缺乏个性化且难泛化到新物品的问题,提出KUCNet,通过用户-物品子图、注意力GNN与Personalized PageRank剪枝实现准确高效可解释推荐。
2024-03-21 cs.AI cs.IR cs.LG
Nested Graph Neural Networks
Peking University(北京大学);Beijing Institute for General Artificial Intelligence(北京通用人工智能研究院);Purdue University(普渡大学)
图神经网络(GNN)在图分类中的成功与Weisfeiler-Lehman(1-WL)算法密切相关。通过迭代地将相邻节点特征聚合到中心节点,1-WL和GNN都获得了对中心节点周围的有根子树进行编码的节点表示。然后将这些有根子树表示合并为单个表示以表示整个图。然而,有根子树表示非树图的表达能力有限。为了解决这个问题,我们提出了嵌套图神经网络(NGNNs)。NGNN用有根子图而不是有根子树来表示图,因此共享许多相同子图(而不是子树)的两个图往往具有相似的表示。关键是使每个节点表示编码围绕它的子图而不是子树。为了实现这一点,NGNN提取每个节点周围的局部子图,并将基本GNN应用于每个子图以学习子图表示。然后通过合并这些子图表示来获得全图表示。我们提供了一个严格的理论分析表明,NGNN是严格比1-WL更强大。特别是,我们证明了NGNN可以区分几乎所有的r-正则图,其中1-WL总是失败。此外,与其他更强大的GNN不同,NGNN只引入了比标准GNN更高的恒定因子时间复杂度。NGNN是一个即插即用的框架,可以与各种基本GNN组合。我们在几个基准数据集上测试了具有不同基础GNN的NGNN。NGNN一致地提高了它们的性能,并在所有数据集上显示出极具竞争力的性能。
2021-10-25 cs.LG
A Flexible, Equivariant Framework for Subgraph GNNs via Graph Products and Graph Coarsening
Computer Science Technion - Israel Institute of Technology(技术学院-以色列理工学院计算机科学系);Electrical & Computer Engineering Technion - Israel Institute of Technology(技术学院-以色列理工学院电气与计算机工程系);NVIDIA Research(NVIDIA研究)
本文提出一种基于图粗化与图乘积的子图GNN等变框架,通过将子图与节点簇关联实现任意数量子图的灵活选择,在保持表达能力的同时显著提升了可扩展性与性能。
2025-05-29 cs.LG
Subgraph Federated Learning with Missing Neighbor Generation
Emory University(埃默里大学);University of Hong Kong(香港大学);University of British Columbia(不列颠哥伦比亚大学);Lehigh University(理海大学)
图由于其对现实世界对象及其相互作用的独特表示而被广泛应用于数据采掘和机器学习中。随着图变得越来越大,通常会看到它们的子图被单独收集并存储在多个本地系统中。因此,考虑子图联邦学习设置是很自然的,其中每个局部系统都持有可能偏离整个图的分布的小的子图。因此,子图联邦学习的目标是协作训练一个强大的和可推广的图挖掘模型,而不直接共享他们的图数据。在这项工作中,针对子图联邦学习的新颖而现实的设置,我们提出了两种主要技术:(1)FedSage,它基于FedAvg训练GraphSage模型,以集成多个局部子图上的节点特征,链接结构和任务标签;(2)FedSage+,它沿着FedSage训练缺失邻居生成器,以处理局部子图上的缺失链接。四个真实世界的图数据集与合成子图联邦学习设置的实证结果表明,我们提出的技术的有效性和效率。同时,对它们在全局图上的推广能力给出了一致的理论暗示。
2021-11-06 cs.LG cs.SI
Improving Expressivity of GNNs with Subgraph-specific Factor Embedded Normalization
Zhejiang University(浙江大学);China Electric Power Research Institute(中国电力科学研究院);State Grid Shanghai Municipal Electric Power Company(国网上海市电力公司)
针对现有GNN忽略节点诱导子图结构特征、表达能力受限的问题,提出即插即用的SuperNorm归一化方案,理论上证明其可使GNN达到1-WL测试的区分能力,还能缓解过平滑,多数据集实验验证了有效性。
2023-06-11 cs.AI cs.LG
Faster Algorithms for Generalized Mean Densest Subgraph Problem
Baidu Research(百度研究院)
本文针对广义平均稠密子图问题,首次证明标准剥离算法在0<p<1时具有2^{1/p}近似比,并提出更快算法GENPEEL++,在p≥1时达到(2(p+1))^{1/p}近似比,时间复杂度降至O(m log n)。
2023-10-17 cs.DS cs.LG stat.ML
Iterative Graph Neural Network Enhancement via Frequent Subgraph Mining of Explanations
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Bonn(波恩大学);Fraunhofer IAIS(弗劳恩霍夫智能分析与信息系统研究所);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所);HUN-REN-SZTE Research Group on AI(HUN-REN-塞格德大学人工智能研究组)
本研究提出迭代自改进算法EEGL,通过挖掘GNN解释子图的频繁模式生成特征以增强模型,解决了1-WL算法子图扩展的相关公开问题,在合成与真实数据上预测性能更优、节点区分能力更强。
2024-03-12 cs.LG
FastGAE: Scalable Graph Autoencoders with Stochastic Subgraph Decoding
Deezer Research(Deezer研究院);LIX, École Polytechnique(巴黎综合理工学院LIX实验室)
图自编码器(AE)和变分自编码器(VAE)是功能强大的节点嵌入方法,但存在可扩展性问题。在本文中,我们介绍了FastGAE,一个通用的框架,以规模图AE和VAE的大型图与数百万的节点和边缘。我们的策略,基于一个有效的随机子图解码方案,显着加快了图AE和VAE的训练,同时保持甚至提高性能。我们证明了FastGAE在各种现实世界的图形上的有效性,远远优于现有的几种方法来缩放图形AE和VAE。
2021-04-13 cs.LG cs.SI stat.ML
MAG-GNN: Reinforcement Learning Boosted Graph Neural Network
Washington University in St. Louis(圣路易斯华盛顿大学);JD Explore Academy(京东探索研究院);Peking University(北京大学)
本文提出 MAG-GNN,通过强化学习从候选子图集合中迭代搜索最优子集,以常数级复杂度替代完整子图枚举,在保持表达能力的同时显著提升子图 GNN 的效率与性能。
2023-10-29 cs.LG
MoSE: Unveiling Structural Patterns in Graphs via Mixture of Subgraph Experts
Nanyang Technological University(南洋理工大学)
针对GNN捕获高阶子图模式能力不足的问题,本文提出MoSE框架,通过匿名游走提取子图并动态路由至专家,增强灵活性与可解释性,理论证明其表达力强于SWL,实验验证其性能优于基线。
2025-09-11 cs.AI cs.LG
Union Subgraph Neural Networks
Nanyang Technological University(南洋理工大学)
图神经网络(GNNs)被广泛应用于图的表示学习。vanilla GNN的表达能力通过1维Weisfeiler-Leman(1-WL)测试而有上限,因为它们通过迭代消息传递对有根子树进行操作。在本文中,我们通过注入从一种新型子结构中提取的相邻连接信息来增强GNN。我们首先调查不同种类的连通性存在于一个局部邻域,并确定一个子结构称为联盟子图,这是能够捕捉到完整的图片的1跳邻域的边缘。然后,我们设计了一个基于最短路径的子结构描述子,它具有三个很好的性质,可以有效地编码在并集子图的高阶连通性。通过注入编码的邻居连通性,我们提出了一种新的模型,即Union Subgraph神经网络(UnionSNN),它被证明是严格更强大的1-WL在区分非同构图。此外,来自并集子图的本地编码也可以作为插件注入到任意消息传递神经网络(MPNN)和基于Transformer的模型中。在图级和节点级任务的18个基准上进行的大量实验表明,UnionSNN的性能优于最先进的基线模型,具有竞争力的计算效率。将我们的本地编码注入现有模型能够将性能提高高达11.09%。我们的代码可在https://github.com/AngusMonroe/UnionSNN上获得。
2024-01-09 cs.LG
Efficient Higher-order Subgraph Attribution via Message Passing
BIFOLD -- Berlin Institute for the Foundations of Learning(柏林学习与数据基础研究院);Department of Artificial Intelligence, Korea University, Seoul 136-713, Korea(韩国大学人工智能系);RIKEN Center for AIP, Japan(日本AIP研究中心)
本文提出了一种基于消息传递的高效算法,能够在线性时间内通过GNN-LRP对子图进行归因,并扩展了子图归因方法以考虑邻接图特征,实验表明该方法具有显著加速和高实用性。
2026-05-21 cs.LG
Balancing Efficiency and Expressiveness: Subgraph GNNs with Walk-Based Centrality
Imperial College London(帝国理工学院伦敦校区);Technion -- Israel Institute of Technology(技术学院——以色列理工学院);University of Oxford(牛津大学);NVIDIA Research(NVIDIA研究)
针对子图GNN计算成本高的问题,提出基于游走中心性采样的HyMN方法,大幅减少子图包大小,兼顾效率与表达能力,实验证明其性能优于或媲美现有方法且运行时间大幅降低。
2025-07-07 cs.LG cs.NE
Measuring and Sampling: A Metric-guided Subgraph Learning Framework for Graph Neural Network
University of California, Davis(加州大学戴维斯分校);Florida State University(佛罗里达州立大学)
图神经网络(GNN)在学习既保留节点属性又保留图结构信息的强大节点表示方面表现出令人信服的性能。然而,许多GNN在设计有更深的网络结构或处理大型图时会遇到有效性和效率方面的问题。已经提出了几种采样算法来改进和加速GNN的训练,但它们忽略了理解GNN性能增益的来源。对图数据内部信息的度量可以帮助采样算法在去除冗余信息甚至噪声的同时保留高价值信息。在本文中,我们提出了一个度量引导(MeGuide)子图学习框架的GNN。MeGuide采用两个新的指标:特征平滑度和连接失败距离来指导子图采样和基于小批量的训练。特征平滑度用于分析节点的特征以保留最有价值的信息,而连接失效距离用于度量结构信息以控制子图的大小。我们证明了MeGuide在多个数据集上训练各种GNN的有效性和效率。
2021-12-30 cs.AI cs.LG
On the Power of the Weisfeiler-Leman Test for Graph Motif Parameters
TU Wien(维也纳技术大学);University of Oxford(牛津大学);PUC Chile(智利天主教大学);IMFD(数学与物理研究所);CENIA(智利国家核能委员会)
本文刻画了带标签图motif参数的Weisfeiler-Leman维度,统一了子图计数与导出子图计数问题,并给出判定子图计数WL维度的多项式时间算法。
2024-03-28 cs.LG
From Relational Pooling to Subgraph GNNs: A Universal Framework for More Expressive Graph Neural Networks
Tsinghua University(清华大学);Peking University(北京大学)
本文提出从关系池化出发,通过显式节点标签和$k,l$-WL算法构建通用框架,统一子图GNN并提升任意基础GNN的表达力,实验验证其优越性能。
2023-05-08 cs.AI cs.LG
Hierarchy-Aware Neural Subgraph Matching with Enhanced Similarity Measure
College of Computer Science and Technology, National University of Defense Technology(计算机科学与技术学院,国防科技大学);College of Information and Communication, National University of Defense Technology(信息与通信学院,国防科技大学)
针对现有GNN子图匹配方法忽略特征相对位置、度量区分度不足的问题,提出层级感知的NC-Iso架构与相似性优势比增强度量,在9个数据集上验证了其有效性与效率,为子图检索提供更优方案。
2025-10-01 cs.LG
Frequent subgraph-based persistent homology for graph classification
Harbin Institute of Technology, Shenzhen, China(哈尔滨工业大学(深圳));Université de Lille, Laboratoire Painlevé (UMR CNRS 8524), France(里尔大学,帕伊尔实验室(UMR CNRS 8524));Sun Yat-Sen University, Guangzhou, China(中山大学);Great Bay University, Dongguan, China(大亚湾大学)
本文提出基于频繁子图的持久同调方法,用于图分类,通过稳定且信息丰富的FPH特征提升拓扑意识的图表示学习。
2026-01-02 cs.LG math.AT
The power of motifs as inductive bias for learning molecular distributions
Technical University of Munich(慕尼黑工业大学);Helmholtz Center for Computational Health(亥姆霍兹计算健康中心);Munich Data Science Institute(慕尼黑数据科学研究所)
本研究提出基于子图的碎裂方案Subcover,通过两步变分自编码器评估,发现其能更好识别化学子图,使FCD分数相对提高30%,显著提升分子分布学习效果。
2023-04-04 cs.LG q-bio.BM stat.AP
Inductive Matrix Completion Based on Graph Neural Networks
Washington University in St. Louis(圣路易斯华盛顿大学);Facebook(脸书)
我们提出了一个不使用边信息的归纳矩阵完备化模型。通过将(评级)矩阵分解为行(用户)和列(项目)的低维潜在嵌入的乘积,大多数现有的矩阵完成方法都是直推的,因为学习的嵌入不能推广到看不见的行/列或新矩阵。为了使矩阵补全归纳,大多数以前的作品使用内容(边信息),如用户的年龄或电影的类型,进行预测。然而,高质量的内容并不总是可用的,并且很难提取。在除了要完成的矩阵之外没有任何边信息可用的极端设置下,我们仍然可以学习归纳矩阵完成模型吗?在本文中,我们提出了一个基于归纳图的矩阵完成(IGMC)模型来解决这个问题。IGMC训练一个图神经网络(GNN),纯粹基于1跳子图周围(用户,项目)从评级矩阵生成的对,并将这些子图映射到其相应的评级。它通过最先进的转换基线实现了极具竞争力的性能。此外,IGMC是归纳性的--它可以概括为在训练过程中看不到的用户/项目(假设他们的交互存在),甚至可以转移到新的任务。我们的迁移学习实验表明,从MovieLens数据集训练出来的模型可以直接用于预测豆瓣电影的评分,并且性能惊人。我们的工作表明:1)可以在不使用边信息的情况下训练归纳矩阵完成模型,同时实现与现有技术的转换方法类似或更好的性能; 2)(用户,项目)对周围的局部图形模式是该用户给予项目的评级的有效预测器;以及3)长范围依赖性对于建模推荐系统可能不是必需的。
2020-02-16 cs.IR cs.LG stat.ML
Mining Representative Unsubstituted Graph Patterns Using Prior Similarity Matrix
研究蛋白质结构最有效的技术之一是寻找重复片段(也称为子结构或空间基序),然后将它们作为模式来表征所研究的蛋白质。一个新兴的趋势是将蛋白质的三维(3D)结构解析成氨基酸的图形。因此,经常性的空间图案的搜索被制定为一个频繁的子图发现的过程中,每个子图代表一个空间图案。在这个范围内,文献中已经提出了几种有效的频繁子图发现方法。然而,所发现的频繁子图的集合太大而不能在任何进一步的过程中被有效地分析和探索。在本文中,我们提出了一种新的模式选择方法,缩小了大量的发现频繁子图选择的代表。现有的模式选择方法没有利用领域知识。然而,在我们的方法中,我们将取代矩阵中定义的氨基酸的进化信息,以选择有代表性的子图。我们展示了我们的方法在一些真实数据集上的有效性。从我们的实验结果表明,我们的方法是能够大大减少图案的数量,同时提高他们的兴趣。
2013-03-08 cs.CE cs.LG
Fine-grained Graph Rationalization
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Visa Research(Visa研究院)
本文提出细粒度图理性化(FIG),利用自注意力机制实现节点级和虚拟节点级干预,在7个数据集上超越13种基线方法,显著提升图理性化性能。
2025-01-27 cs.LG cs.SI
Finding Heterophilic Neighbors via Confidence-based Subgraph Matching for Semi-supervised Node Classification
Seoul National University(首尔国立大学);Korea Institute of Energy Technology(韩国能源技术研究院)
本文提出一种两阶段算法,通过基于置信度比率的子图匹配识别并利用异配邻居的边系数,改进GNN标签传播机制,以缓解过度平滑并提升半监督节点分类性能。
2023-04-12 cs.LG cs.SI
Are Graph Transformers Necessary? Efficient Long-Range Message Passing with Fractal Nodes in MPNNs
针对GNN难以平衡局部与全局信息、图Transformer忽视MPNN效率的问题,提出分形节点概念,利用图划分诱导的分形结构增强子图特征聚合与长程传播,在保持MPNN效率的同时提升表达能力,性能优于或媲美图Transformer。
2025-11-17 cs.AI cs.LG
GraphMatch: Fusing Language and Graph Representations in a Dynamic Two-Sided Work Marketplace
Upwork Inc.(Upwork公司)
GraphMatch通过融合预训练语言模型与图神经网络,解决动态双侧工作市场中的匹配问题,实现高效推荐。
2025-12-02 cs.AI cs.IR cs.LG