来源:极验
今年的双十一,AAAI 2020 公布了接受的论文。这届 AAAI 可谓是火爆异常,一共收到了 8800 篇提交的论文,最终有效投稿为 7737 篇,接受的论文数量是 1591 篇,接受率为 20.6%,相较于去年的 16.2% 提升较大。
AAAI 2020 将于2月7日-2月12日在美国纽约举办,由业内大咖 IBM Research 科学家 Francesca Rossi 担任大会主席。
今年的会议上,专门安排了关于 GNN 的专题演讲。演讲内容将涵盖图表示学习、GNN 的鲁棒性、GNN 的可拓展性以及 GNN 的相关应用。
由此可见,GNN 已经成为了未来的趋势。这里小编为大家整理了一些网络上已经公布的 AAAI 2020 的图学习相关论文。
01
文章链接:
https://arxiv.org/abs/1911.13181
该工作的主要任务是预测道路交通速度,提出了叫做 Spatio-Temporal Graph Attention (STGRAT)的新型模型,捕捉道路网络中的时空动态。该方法的显著特征是包括了空间注意力、时间注意力以及空间前哨向量(spatial sentinel vectors)。空间注意力获取图结构信息,并根据道路状态调整空间相关性。时间注意力负责捕获交通速度的变化,而空间前哨向量则允许模型从空间的相关节点检索新特征或者保留现有特征。
模型的整体架构
02
文章链接:
https://arxiv.org/abs/1911.11430
这篇文章研究的是图卷积网络(GCN)中具有独立潜在因素的解耦表示学习问题。研究人员认为现实世界的 graph 是由许多潜在因素(比如相同的爱好、教育经历或者工作经历)的复杂交互形成的。本文提出了一种新颖的网络 Independence Promoted Graph Disentangled Networks (IPGDN) 来学习解耦的节点表示。
处理过程
03
文章链接:
https://arxiv.org/abs/1911.11322
图自编码器及其变体已广泛用于图结构数据的表示学习。尽管编码器通常是功能强大的图卷积网络,但解码器通过一次仅考虑两个节点来重建图结构,从而忽略了边之间可能的相互作用。在这篇文章中,利用了在许多实际网络中表现出的三元闭合(triadic closure)属性,提出了 triad 解码器。
三元解码器的结构
04
文章链接:
https://arxiv.org/pdf/1911.10699.pdf
这篇工作提出了一种新的叫做 Multi-Component Graph Convolutional Collaborative Filtering (MCCF)的方法,在观察到的显式用户交互作用下区分潜在购买动机。MCCF 内部包括两个设计的模块,分解器和合成器(decomposer and combiner)。分解器首先分解二部图中的边,以识别可能导致购买的潜在 components 。后者则自动组合这些潜在 components 得到统一的 embedding 表示来进行预测。
MCCF 的结构
05
文章链接:
https://arxiv.org/abs/1911.09837
建模预测车辆周围交通情况的能力,对于自动驾驶飞行和智能驾驶辅助系统都非常重要。而其中,加速度预测是交通预测中很重要的组成部分。这篇文章就是研究的加速度预测问题。通过图来表示车辆之间的空间关系,建立了一个加速度预测模型的新框架,并利用图卷积神经网络来进行加速度预测。
06
文章链接:
https://arxiv.org/abs/1911.08941
本文解决了构建深度图神经网络(GNN)的效率问题。该方法利用将每个输入的 graph 表示为动态系统的固定点(通过递归神经网络实现)的想法,并使用了基于递归单元的深度结构。使用小型且非常稀疏的网络,并在此工作中引入的稳定性条件下,递归单元的权重可以不用训练这些方面都能够提升效率。实验结果表明,即使不训练递归网络,小型深层 GNN 的架构也可以改善图分类领域中一系列重要任务的性能。
FDGNN 的深度编码过程
07
文章链接:
https://arxiv.org/abs/1911.04131
图卷积网络(GCN)应用于人体动作识别受到关注。然而,许多现有的 GCN 方法都提供了预定义的图结构,这可能会丢失隐式的联合相关性。因此,探索更好的 GCN 架构则成为了亟需解决的问题。为了解决这些问题,本文的作者使用了神经结构搜索(NAS)的思路,提出了第一个可自动化设计的 GCN,该模型可用于基于骨骼数据的行为识别。在充分研究节点之间的时空相关性之后,作者通过提供多个动态图模块来丰富搜索空间。此外,作者引入了多跳模块,希望突破一阶逼近对表示能力的限制。
多跳模块
08
文章链接:
https://arxiv.org/abs/1905.10006
本文介绍了图神经网络(GNN)在高阶证明搜索中的首次使用,并证明了GNN可以改进该领域的最新技术。在本文中,考虑了高阶逻辑的几种图表示形式,并根据 HOList 基准对其进行了评估,以进行高阶定理证明。
节点 B 的单一图神经网络邻域聚合步骤
其他已经揭晓的论文:
ASAP: Adaptive Structure Aware Pooling for Learning Hierarchical Graph Representations
https://arxiv.org/abs/1911.07979
Infusing Knowledge into the Textual Entailment Task Using Graph Convolutional Networks
https://arxiv.org/abs/1911.02060
Graph-Based Reasoning over Heterogeneous External Knowledge for Commonsense Question Answering
https://arxiv.org/abs/1909.05311
Multi-Label Classification with Label Graph Superimposing
https://arxiv.org/abs/1911.09243
Knowledge Graph Transfer Network for Few-Shot Recognition
https://arxiv.org/abs/1911.09579
Few-Shot Knowledge Graph Completion
https://arxiv.org/abs/1911.11298
Graph Few-shot Learning via Knowledge Transfer
https://arxiv.org/abs/1910.03053
Unsupervised Attributed Multiplex Network Embedding
https://arxiv.org/abs/1911.06750
还有清华大学的 《Tensor Graph Convolutional Networks for Text Classification》
吉林大学的《Learning Signed Network Embedding via Graph》等,我们将持续关注相关论文的公布,为大家整理最新的资料。