Simplicial Neural Networks
EPFL（洛桑联邦理工学院）；Telenor Research（挪威电信研究中心）
我们提出了单纯神经网络（SNN），图神经网络的推广，生活在一类拓扑空间称为单纯复合体的数据。这些是图的自然多维扩展，不仅编码成对关系，还编码顶点之间的高阶交互-使我们能够考虑更丰富的数据，包括向量场和$n$ -fold协作网络。我们定义了一个适当的卷积概念，我们利用它来构建所需的卷积神经网络。我们测试的SNN的任务，填补缺失的数据合作复杂。
2020-12-28 cs.LG math.AT stat.ML
Modern Structure-Aware Simplicial Spatiotemporal Neural Network
Télécom SudParis（Telecom SudParis）；Institut Polytechnique de Paris；CNRS – LIP6；Sorbonne Université
本文提出ModernSASST，通过高维简复形上的时空随机游走和并行化时间卷积网络，有效捕捉高阶拓扑结构，提升大规模时空建模效率。
2026-04-17 cs.LG
T-SNN: Temporal Simplicial Neural Network for EEG Decoding
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
提出T-SNN，将EEG表示为演变单纯复形序列，联合学习高阶交互与时间演变，在SEED-VII情绪识别任务上优于多种基线，并支持多模态解码。
2026-09-29 cs.LG q-bio.NC
Continuous Simplicial Neural Networks
LTCI, Télécom Paris Institut Polytechnique de Paris（巴黎理工信息计算学院）；EPFL, Lausanne, Switzerland（瑞士洛桑联邦理工学院）；CentraleSupélec, Inria Université Paris-Saclay（中央超导学院、法国国家信息与自动化技术研究所、巴黎萨克雷大学）
本文提出连续单纯复形神经网络（COSIMO），基于单纯复形上的偏微分方程，在扰动下保持稳定性并有效控制过平滑，在复杂噪声环境中性能优于现有离散SNN。
2025-10-24 cs.LG
Semantic-Native Communication: A Simplicial Complex Perspective
Technology Innovation Institute（技术创新研究院）；University of Oulu（奥卢大学）
语义通信使智能代理能够通过交互来提取信息的含义（或语义），以执行协作任务。在本文中，我们研究语义通信从拓扑空间的角度来看，高阶数据语义生活在一个单纯的复杂。具体而言，发射机首先将其数据映射到$k$阶单纯复形，然后学习其高阶相关性。单纯结构和相应的特征被编码为潜在空间中的语义嵌入以进行传输。随后，接收器解码该结构并推断丢失或失真的数据。发送器和接收器协作训练简单卷积自编码器来完成语义通信任务。实验在语义学者开放研究语料库的真实数据集上进行，其中一部分语义嵌入在通信过程中丢失或失真。数值结果表明，单纯卷积自动编码器启用语义通信有效地重建单纯特征，并推断丢失的数据与$95\%$精度，同时实现稳定的性能下的信道噪声。相比之下，支持自动编码器的传统通信无法推断出任何丢失的数据。此外，我们的方法被证明可以有效地推断失真的数据，而无需在接收器的先验单纯结构知识，通过学习提取的语义信息在通信过程中。利用信息的拓扑性质，所提出的方法也被证明是更可靠和更有效的几个基线相比，特别是在低信噪比（SNR）水平。
2022-10-30 cs.LG eess.SP
Walk-Steered Convolution for Graph Classification
Nanjing University of Science and Technology（南京理工大学）；Southeast University（东南大学）
图分类是许多现实世界应用中的一个基本但具有挑战性的问题。尽管最近在图像/视频分类方面取得了很大进展，但由于图形非欧拓扑结构，卷积神经网络（CNN）还不能很好地迎合图形。在这项工作中，我们提出了一个行走引导卷积（WSC）网络组装的基本成功的标准卷积神经网络以及强大的表示能力的随机游走。代替先前图形CNN中使用的确定性邻居搜索，我们构建了多尺度步行场（也称为局部感受野）与随机行走路径来描绘子图结构和提倡图可伸缩性。为了表达步行场的内部变化，引入高斯混合模型来编码其中的步行路径的主分量。与图像上的标准卷积核类似，高斯模型在投影到高斯参数的梯度空间后，隐式地协调局部感受野中的无序顶点/节点和边缘。我们进一步堆叠图粗高斯编码使用动态聚类，这样，图的高级语义可以很好地学习像传统的池图像。在几个公共数据集上的实验结果表明，我们提出的WSC方法优于许多国家的最先进的图分类。
2020-01-10 cs.LG cs.SI
Principled Simplicial Neural Networks for Trajectory Prediction
Rice University（莱斯大学）
我们考虑单纯复形数据的神经网络架构的建设。在研究单纯复形的链复形上的映射时，我们定义了单纯神经网络体系结构的三个理想性质：即排列等变性，方向等变性和单纯意识。前两个性质分别说明了单纯复形中的节点索引和单形方向是任意的。最后一个属性编码了期望的特征，即神经网络的输出取决于整个单纯复形而不是其维度的子集。基于这些属性，我们提出了一个简单的卷积架构，植根于工具从代数拓扑，轨迹预测的问题，并表明，它服从所有这三个属性时，一个奇数，非线性激活函数使用。然后，我们证明了这种架构在合成和真实数据集上外推轨迹的有效性，特别强调了不可见轨迹的可推广性。
2021-06-07 cs.LG cs.SI
Representation Learning of Reconstructed Graphs Using Random Walk Graph Convolutional Network
Beihang University（北京航空航天大学）；Peng Cheng Laboratory（鹏城实验室）
图因其简单的拓扑结构而经常用于组织数据，因此在机器学习中发挥着关键作用。事实证明，通过图表示学习获得的低维嵌入表示在各种典型任务中非常有用，例如节点分类，内容推荐和链接预测。然而，现有的方法大多从微观结构（即，图中的边），忽略介观结构（高阶局部结构）。在这里，我们提出了wGCN --一种新的框架，利用随机游走来获得图的节点特定的介观结构，并利用这些介观结构来重建图和组织节点的特征信息。我们的方法可以有效地为以前看不见的数据生成节点嵌入，这已经在引文网络和社交网络上进行的一系列实验中得到了证明（我们的方法比基线方法更有优势）。我们认为，结合高阶局部结构信息可以更高效地挖掘网络的潜力，这将大大提高图神经网络的学习效率，促进新的学习模型的建立。
2021-01-02 cs.LG
Descriptive Kernel Convolution Network with Improved Random Walk Kernel
Carnegie Mellon University（卡内基梅隆大学）
本文提出改进的随机游走核RWK+及其核卷积网络RWK+CN和GNN层RWK+Conv，用于描述性图特征学习，并在无监督模式挖掘和多种图学习任务中验证有效性。
2024-02-08 cs.LG
Dist2Cycle: A Simplicial Neural Network for Homology Localization
The University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）
单纯形复形可以被看作是图的高维推广，它以不同的分辨率同时对顶点之间的多路有序关系进行显式编码。这个概念是中央对检测数据的高维拓扑特征，特征的图形，只编码成对的关系，保持遗忘。虽然已经尝试将图神经网络（GNN）扩展到单纯的复杂设置，但是这些方法并不固有地利用或推理网络的底层拓扑结构。我们提出了一个图卷积模型的学习函数参数化的$k$ -同调功能的单纯复形。通过光谱操纵他们的组合$k$维Hodge Laplacian，所提出的模型，使学习拓扑特征的基础单纯形复合体，具体地说，距离最近的“最佳”$k$ -th同源生成器的每个$k$ -单纯形，有效地提供了一种替代同源本地化。
2022-07-03 cs.LG math.AT
Simplicial Attention Networks
University of Cambridge（剑桥大学）
图表示学习方法大多局限于节点交互的建模。最近，人们越来越关注如何利用高阶结构来进一步增强组合空间中图神经网络（GNN）的学习能力。单纯神经网络（SNN）通过在单纯复合体（图的高维概括）上执行消息传递来自然地对这些交互进行建模。尽管如此，大多数现有SNN执行的计算都严格依赖于复合体的组合结构。利用注意力机制在结构化领域的成功，我们提出了单纯注意力网络（SAT），一种新型的单纯网络，动态权衡相邻单纯形之间的相互作用，可以很容易地适应新的结构。此外，我们提出了一个签署的注意力机制，使SAT方向等变，（共）链复合物上运行的模型的理想属性。我们证明了SAT在两个图像和轨迹分类任务中优于现有的卷积SNN和GNN。
2022-04-20 cs.LG math.AT
Higher-order Graph Convolutional Network with Flower-Petals Laplacians on Simplicial Complexes
University of Electronic Science and Technology of China（电子科技大学）；University of Science and Technology of China（中国科学技术大学）
针对图神经网络难以建模和量化高阶交互的问题，本文提出基于 FP Laplacian 的 HiGCN，利用可学习滤波器跨拓扑尺度提取特征并度量交互强度，在多项图任务上达到最先进性能。
2024-01-18 cond-mat.stat-mech cs.AI cs.LG
Convolutional Persistence Transforms
Duke University（杜克大学）；Geometric Data Analytics（几何数据分析公司）
本文提出卷积持续性框架，将滤波卷积与持续同调结合以表征单纯复形数据，并证明其单射性、稳定性与计算优势，实验显示其显著提升分类性能。
2024-01-25 cs.LG math.AT
IDNet: Smartphone-based Gait Recognition with Convolutional Neural Networks
University of Padova（帕多瓦大学）
在这里，我们提出了IDNet，一个来自智能手机获取的运动信号的用户认证框架。它的目标是通过用户裤子前口袋里的商用智能手机提供的加速度计和陀螺仪（惯性）信号，从他们的行走方式中识别目标用户。IDNet具有几项创新，包括：i）一个强大的和智能手机方向无关的步行周期提取模块，ii）一个基于卷积神经网络的新型特征提取器，iii）一个单类支持向量机来分类步行周期，以及这些到iv）多阶段认证技术的一致集成。IDNet是第一个利用深度学习方法作为步态识别通用特征提取器的系统，并将后续步行周期的分类结果结合到多阶段决策框架中。实验结果表明，我们的方法对国家的最先进的技术的优越性，导致错误分类率（假阴性或阳性）小于0.15%，少于五个步行周期。设计选择的讨论和动机，在整个，评估其对用户身份验证性能的影响。
2016-10-19 cs.CV cs.LG
Predicting quantum advantage by quantum walk with convolutional neural networks
ITMO University（ITMO大学）；Valiev Institute of Physics and Technology, Russian Academy of Sciences（俄罗斯科学院瓦维洛夫物理与技术研究所）；Moscow Institute of Physics and Technology（莫斯科物理与技术学院）
量子行走是现代量子技术的核心。它们允许处理量子输运现象，并且是构建新颖量子算法的先进工具。图上的量子行走与经典的随机行走类似物有着根本的不同，特别是，它们在某些图上比经典的行走更快，在这些情况下，量子算法应用和量子增强的能量转移成为可能。然而，很少有人知道的可能优势，任意图没有明确的对称性。对于这些图，需要执行经典和量子行走动力学的模拟，以检查是否发生加速，这可能需要很长的计算时间。在这里，我们提出了一种解决量子加速问题的新方法，该方法基于机器学习算法，该算法仅通过查看图形来预测量子优势。我们专门设计的卷积神经网络是为了从图中学习，它观察模拟的例子，并学习导致量子优势的图的复杂特征，从而可以识别出表现出量子优势的图，而无需执行任何量子游走或随机游走模拟。我们的方法的性能进行评估的线和随机图，其中分类总是优于随机猜测，即使是最具挑战性的情况下。我们的发现为利用基于量子行走的算法自动化阐述新型大规模量子线路铺平了道路，并为模拟生物光子学和材料科学中的高效能量转移铺平了道路。
2019-12-13 cs.LG quant-ph stat.ML
RAW-GNN: RAndom Walk Aggregation based Graph Neural Network
Tianjin University（天津大学）；Meituan（美团）；The Hong Kong Polytechnic University（香港理工大学）
基于图卷积的方法已经成功地应用于同构图上的表示学习，其中具有相同标签或相似属性的节点倾向于彼此连接。由于这些方法使用的图卷积网络（GCN）的同质性假设，它们不适合于异质图，其中具有不同标签或不相似属性的节点往往是相邻的。有几种方法试图解决这种异质性问题，但它们并没有改变GCN的基本聚合机制，因为它们依赖于求和运算符来聚合来自相邻节点的信息，这隐含地受到同质性假设的影响。在这里，我们引入了一种新的聚合机制，并开发了一个随机游走聚合为基础的图神经网络（称为RAW-GNN）的方法。该方法将随机游走策略与图神经网络相结合。该方法利用广度优先随机游走搜索来捕获同质信息，利用深度优先搜索来收集异质信息。该算法用基于路径的邻域代替传统的邻域，并引入了一种新的基于递归神经网络的路径聚集器。这些设计使得RAW-GNN适用于同质和异质图。大量的实验结果表明，新方法在各种同质和异质图上都达到了最先进的性能。
2022-06-28 cs.LG
Neighborhood Random Walk Graph Sampling for Regularized Bayesian Graph Convolutional Neural Networks
University of Arkansas（阿肯色大学）
在社交媒体和网络的现代时代，真实世界现象的图形表示已成为挖掘洞察力的非常有用的来源。通常，我们感兴趣的是理解图中的实体是如何相互连接的。图神经网络（GNN）已被证明是各种图学习任务中非常有用的工具，包括节点分类、链接预测和边分类。然而，在大多数这些任务中，我们正在处理的图形数据可能是嘈杂的，并且可能包含虚假的边缘。也就是说，存在与底层图结构相关联的大量不确定性。最近的方法来建模不确定性一直使用贝叶斯框架，并将图视为随机变量与模型参数相关联的概率。将贝叶斯范式引入基于图的模型，特别是用于半监督节点分类，已被证明可以产生更高的分类精度。然而，在最近的工作中提出的图推理的方法没有考虑到图的结构。在本文中，我们提出了一种新的算法称为贝叶斯图卷积网络使用邻域随机游走采样（BGCN-NRWS），它使用马尔可夫链蒙特卡罗（MCMC）基于图采样算法，利用图结构，减少过拟合通过使用变分推理层，并产生一致的竞争力的分类结果相比，国家的最先进的半监督节点分类。
2021-12-14 cs.LG stat.ML
Measuring the Privacy Leakage via Graph Reconstruction Attacks on Simplicial Neural Networks (Student Abstract)
Texas Tech University（德克萨斯理工大学）；Xavier University of Louisiana（泽维尔大学路易斯安那分校）；The Ohio State University（俄亥俄州立大学）
在本文中，我们通过研究图表示是否可以被反转来恢复用于生成它们的图，通过图重构攻击（GRA）来测量隐私泄漏。我们提出了一个GRA，通过一个图形解码器，最大限度地减少部分图和重建图之间的重建损失的表示恢复图的邻接矩阵。我们研究了在图上训练的三种类型的表示，即，表示输出从图卷积网络（GCN），图注意力网络（GAT），和我们提出的单纯神经网络（SNN）通过高阶组合拉普拉斯算子。与仅编码成对关系的前两种类型的表示不同，第三种类型的表示，即，SNN输出、编码高阶交互（例如，同调特征）之间的节点。我们发现，SNN的输出揭示了最低的隐私保护能力，以保护GRA，其次是GAT和GCN，这表明了建立更多的私人表示与高阶节点信息，可以防御潜在的威胁，如GRA的重要性。
2023-02-08 cs.CR cs.LG
Heavy Hitters and Bernoulli Convolutions
Salesforce/Demandware
本文提出了一种简单的事件频率近似算法，该算法对事件时效性敏感。算法通过迭代更新类别点击分布，在标准n维单纯形上生成随机游走路径。在某些条件下，这种随机游走具有自相似性，并对应于有偏伯努利卷积。算法评估自然地导致对有偏（有限和无限）伯努利卷积矩的估计。
2019-05-28 cs.LG cs.NA math.NA
Non-convolutional Graph Neural Networks
Center for Data Science（数据科学中心）；New York University（纽约大学）；Prescient Design
本文提出非卷积图神经网络 RUM，利用 RNN 沿随机游走融合图的拓扑与语义特征，以缓解传统卷积 GNN 的表达力受限、过度平滑和过度挤压问题，并在节点级和图级任务上取得竞争性性能。
2024-09-29 cs.AI cs.LG
MeshWalker: Deep Mesh Understanding by Random Walks
Technion – Israel Institute of Technology（以色列理工学院）
大多数为深度学习表示3D形状的尝试都集中在体积网格、多视图图像和点云上。在本文中，我们研究了计算机图形学中最流行的3D形状表示-三角形网格-并询问如何在深度学习中使用它。回答这个问题的少数尝试提出调整卷积和池化以适应卷积神经网络（CNN）。本文提出了一种非常不同的方法，称为MeshWalker，直接从给定的网格中学习形状。其关键思想是通过沿表面的随机行走来表示网格，这将“探索”网格的几何和拓扑。每次行走都被组织为顶点列表，这以某种方式对网格施加规则性。步行被输入到一个递归神经网络（RNN）中，该网络“记住”步行的历史。我们表明，我们的方法实现了两个基本的形状分析任务的最先进的结果：形状分类和语义分割。此外，即使是非常少量的例子也足以用于学习。这是非常重要的，因为很难获得大的网格数据集。
2020-12-10 cs.CG cs.CV cs.LG
A Topological Deep Learning Framework for Neural Spike Decoding
University of Tennessee Knoxville（田纳西大学诺克斯维尔分校）；Army Research Lab（陆军研究实验室）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一个结合无监督单纯复形发现与单纯卷积循环神经网络的拓扑深度学习框架，用于解码头部方向与网格细胞尖峰数据，实现头部方向和轨迹预测。
2023-09-06 cs.LG cs.NE stat.ML
DeepRWCap: Neural-Guided Random-Walk Capacitance Solver for IC Design
DeepRWCap通过神经网络引导随机游走求解器，提高集成电路设计中电容计算的精度与效率。
2025-11-23 cs.AI cs.LG
N-GCN: Multi-scale Graph Convolution for Semi-supervised Node Classification
Google Research（谷歌研究院）；Columbia University（哥伦比亚大学）
图卷积网络（GCN）在图结构数据的半监督学习中表现出显着的改进。同时，图嵌入的无监督学习也受益于随机游走中包含的信息。在本文中，我们提出了一个模型：GCN网络（N-GCN），它结合了这两条工作线。在其核心，N-GCN在随机游走中在不同距离发现的节点对上训练GCN的多个实例，并学习优化分类目标的实例输出组合。我们的实验表明，我们提出的N-GCN模型改善了我们考虑的所有具有挑战性的节点分类任务的最新基线：Cora，Citeseer，Pubmed和PPI。此外，我们提出的方法具有其他理想的属性，包括推广到最近提出的半监督学习方法，如GraphSAGE，使我们能够提出N-SAGE，以及对对抗性输入扰动的弹性。
2018-02-24 cs.LG cs.SI stat.ML
SWAG: Item Recommendations using Convolutions on Weighted Graphs
Target Corporation（塔吉特公司）
最近在用于图结构数据的深度神经网络方面的进展已经导致推荐系统基准测试的最新性能。在这项工作中，我们提出了一个图卷积网络（GCN）算法SWAG（样本权重和AGgregate），它结合了有效的随机游走和加权图上的图卷积生成嵌入的节点（项目），结合图结构以及节点的特征信息，如项目的描述和项目的图像。使我们能够有效地基于图结构生成节点嵌入的三个重要SWAG操作是：（a）将图采样为同构结构，（b）加权采样，行走和卷积操作，以及（c）使用AGgregation函数生成卷积。这项工作是一个适应graphSAGE加权图。我们在Target部署SWAG，并在一个包含超过50万条边的在线销售产品的图形上对其进行训练。离线和在线评估揭示了使用基于图的方法的好处，以及加权产生高质量嵌入和产品推荐的好处。
2019-11-22 cs.IR cs.LG stat.CO
PAN: Path Integral Based Convolution for Deep Graph Neural Networks
La Trobe University（乐卓博大学）；South China Normal University（华南师范大学）；The University of New South Wales（新南威尔士大学）；Princeton University（普林斯顿大学）
为图结构数据设计的卷积运算通常使用图拉普拉斯算子，其可以被视为通过通用随机游走在相邻邻居之间传递消息。在本文中，我们提出了PAN，一个新的图卷积框架，涉及连接消息发送者和接收者的每条路径，其权重取决于路径长度，这对应于最大熵随机游走。PAN将图的Laplacian推广到一个新的转移矩阵，我们称之为\emph{maximal entropy transition}（MET）矩阵，该矩阵是从路径积分形式主义导出的。大多数以前的图卷积网络架构可以适应我们的框架，并且可以开发基于路径积分思想的许多变体和衍生物。实验结果表明，基于路径积分的图神经网络具有良好的学习能力和较快的收敛速度，在基准任务上取得了最佳的性能。
2019-04-24 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Anonymous Walk Embeddings
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Criteo Research（Criteo研究院）
表示整个图的任务已经出现了大量突出的结果，主要是由于在图结构数据上学习卷积神经网络（CNN）。虽然CNN在图分类任务中表现出最先进的性能，但此类方法是受监督的，因此可以以与任务无关的方式避开网络表示的原始问题。在这里，我们连贯地提出了一种嵌入整个图的方法，并表明我们的特征表示与SVM分类器提高了CNN算法和传统的图形内核的分类精度。为此，我们描述了一个最近发现的图形对象，匿名行走，我们设计的任务无关的算法学习图形表示在明确和分布式的方式。总的来说，我们的工作代表了一个新的可扩展的无监督学习的国家的最先进的表示整个图。
2018-06-08 cs.LG stat.ML
Graph Convolutional Neural Networks for Web-Scale Recommender Systems
Pinterest（品趣志）；Stanford University（斯坦福大学）
最近在用于图结构数据的深度神经网络方面的进展已经导致推荐系统基准测试的最新性能。然而，使这些方法实用且可扩展到具有数十亿项目和数亿用户的网络规模推荐任务仍然是一个挑战。在这里，我们描述了我们在Pinterest开发和部署的大规模深度推荐引擎。我们开发了一种数据高效的图卷积网络（GCN）算法PinSage，它结合了高效的随机游走和图卷积来生成节点的嵌入（即，项），其合并了图结构以及节点特征信息。与现有的GCN方法相比，我们开发了一种基于高效随机游走的新方法来构造卷积，并设计了一种新的训练策略，该策略依赖于越来越难的训练样本来提高模型的鲁棒性和收敛性。我们还开发了一个高效的MapReduce模型推理算法，使用训练模型生成嵌入。我们在Pinterest上部署了PinSage，并在一个图表上的75亿个示例上对其进行了训练，该图表包含30亿个代表引脚和电路板的节点以及180亿条边。根据离线指标、用户研究和A/B测试，PinSage生成的推荐质量高于同类深度学习和基于图表的替代方案。据我们所知，这是迄今为止深度图嵌入的最大应用，为基于图卷积架构的新一代网络规模推荐系统铺平了道路。
2018-06-06 cs.IR cs.LG stat.ML
Structured Sequence Modeling with Graph Convolutional Recurrent Networks
EPFL（洛桑联邦理工学院）
本文介绍了图卷积递归网络（GCRN），这是一种能够预测结构化数据序列的深度学习模型。准确地说，GCRN是经典递归神经网络（RNN）对由任意图结构化的数据的推广。这样的结构化序列可以表示视频中的一系列帧、传感器网络上的时空测量、或用于自然语言建模的词汇图上的随机游动。该模型结合了图上的卷积神经网络（CNN）来识别空间结构，并结合了RNN来寻找动态模式。我们研究了GCRN的两种可能的架构，并将模型应用于两个实际问题：预测移动MNIST数据，并使用Penn Treebank数据集对自然语言进行建模。实验表明，同时利用图的空间和动态信息的数据可以提高精度和学习速度。
2016-12-22 cs.LG stat.ML
Path Integral Based Convolution and Pooling for Heterogeneous Graph Neural Networks
Stanford University（斯坦福大学）
图神经网络（GNN）将深度学习扩展到图结构数据集。与用于图像预测的卷积神经网络（CNN）类似，卷积和池化层是GNN在图预测任务上成功的基础。在最初的PAN论文中，它使用基于路径积分的图神经网络进行图预测。具体来说，它使用卷积运算，该运算涉及连接消息发送者和接收者的每条路径，这些路径具有取决于路径长度的可学习权重，这对应于最大熵随机游走。它进一步推广这种卷积运算到一个新的转移矩阵称为最大熵转移（MET）。由于MET矩阵的对角元素与子图中心性直接相关，因此它提供了一种基于中心性得分的池化试验机制。而最初的PAN论文只考虑节点特征。我们进一步扩展了它的能力，以处理复杂的异构图，包括节点和边缘功能。
2023-02-26 cs.AI cs.LG
Physics-Aware Random Walk Fingerprints for Scalable Power Grid Graph Classification
Deakin University（迪肯大学）；School of Information Technology（信息技术学院）；Deakin Cyber Research & Innovation Hub（迪肯网络研究与创新中心）
本文提出多通道物理感知随机游走指纹（MC-PA-RWF），将物理边状态引入随机游走传播，在PowerGraph基准系统上较仅拓扑的RWF显著改进，且性能优于多数GNN基线，实现高平衡精度与故障类F1提升。
2026-09-07 cs.LG cs.SY eess.SY
A Generalization of Convolutional Neural Networks to Graph-Structured Data
Carnegie Mellon University（卡内基梅隆大学）
本文介绍了卷积神经网络（CNN）的推广，从低维网格数据，如图像，图形结构的数据。我们提出了一种新的空间卷积，利用随机游动来揭示输入中的关系，类似于标准卷积使用网格上像素的空间邻域的方式。卷积具有直观的解释，高效且可扩展，还可以用于具有不同图形结构的数据。此外，通过学习底层图，这种泛化可以应用于许多标准的回归或分类问题。我们经验性地证明了所提出的CNN在MNIST上的性能，并在Merck分子活性数据集上挑战了最先进的CNN。
2017-04-26 cs.AI cs.CV cs.LG
Spatiotemporal Ground Reaction Force Analysis using Convolutional Neural Networks to Analyze Parkinsonian Gait
The Open University of Sri Lanka（斯里兰卡开放大学）
帕金森病是一种常见于老年人的非治愈性疾病，严重影响老年人的生活质量。PD主要影响步态模式，并缓慢地将步行步态从正常变为残疾。PD的早期诊断对治疗具有重要意义，步态模式分析被用作诊断PD的技术。本论文已经确定了原始时空地面反作用力（GRF）作为一个关键参数，以识别与PD相关的人类步态模式的变化。通过预处理、转换、识别和性能评估，使用卷积神经网络来识别GRF的变化。该算法能够识别PD的严重程度，并区分帕金森病步态与健康步态。该技术在自动决策过程中显示出97%的准确率。
2021-02-01 cs.LG eess.SP
RaWaNet: Enriching Graph Neural Network Input via Random Walks on Graphs
Technische Universität Chemnitz（开姆尼茨工业大学）；Otto-von-Guericke University（奥托·冯·格里克大学）
近年来，图神经网络（GNN）越来越受欢迎，并且对于由图表示的数据显示出非常有前途的结果。大多数GNN架构都是基于开发新的卷积和/或池化层来设计的，这些层可以更好地提取用于不同预测任务的图的隐藏和更深层次的表示。这些层的输入主要是图的三个默认描述符：节点特征$(X)$、邻接矩阵$(A)$和边特征$(W)$（如果可用）。为了向网络提供更丰富的输入，我们提出了基于三个选定长度的图的随机游动数据处理。即，长度为1和2的（规则）行走，以及长度为$γ\in (0,1)$的分数行走，以捕获图上不同的局部和全局动态。我们还计算每个随机游走的平稳分布，然后将其用作初始节点特征（$X$）的缩放因子。这样，对于每个图，网络接收多个邻接矩阵以及它们对节点特征的单独权重。我们在各种分子数据集上测试我们的方法，将处理后的节点特征传递给网络，以便执行几个分类和回归任务。有趣的是，我们的方法没有使用在分子图学习中被大量利用的边缘特征，让浅层网络的性能优于众所周知的深度GNN。
2021-10-04 cs.LG stat.ML
Gradient Boost with Convolution Neural Network for Stock Forecast
Xiamen University（厦门大学）；Yuan Ze University（元智大学）
市场经济把各行各业紧密联系在一起。股票预测是市场经济研究的课题之一。然而，市场经济信息中含有大量的噪声和不确定性，使得经济预测成为一项具有挑战性的任务。包围学习和深度学习是解决股票预测问题的主要方法。本文提出了一种结合两种方法优点的股票价格预测模型。该方法结合了CNN和GBoost。对6个市场指数的实验结果表明，该方法具有更好的性能比目前流行的方法。
2019-09-19 cs.CE cs.LG q-fin.ST
Complex-Weighted Convolutional Networks: Provable Expressiveness via Complex Diffusion
IST Austria（IST奥地利研究院）；Center for Systems Biology Dresden（德累斯顿系统生物学中心）；Mathematical bioPhysics Group, Max Planck Institute for Multidisciplinary Sciences（多学科科学研究所数学生物物理组）；Max Planck Institute of Molecular Cell Biology and Genetics（分子细胞生物学和遗传学马克斯·普朗克研究所）；Max Planck Institute for the Physics of Complex Systems（复杂系统物理马克斯·普朗克研究所）；Dresden University of Technology（德累斯顿技术大学）
针对图神经网络过平滑及异配图性能差的问题，提出复加权卷积网络CWCN，通过复域扩散机制提升模型表达能力，在基准数据集上取得有竞争力的性能。
2025-11-17 cs.LG cs.SI math.DS
Recurrent Attention Walk for Semi-supervised Classification
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）；Symantec（赛门铁克公司）
本文提出一种基于强化学习的循环注意力游走方法，通过智能体在图上决策游走路径，实现属性网络节点的半监督分类，在四个数据集上超越现有方法。
2019-10-22 cs.AI cs.LG cs.SI
