专栏首页新智元AAAI 2020 论文抢先看!图学习GNN火爆,谷歌、港科大、北邮最新力作

AAAI 2020 论文抢先看!图学习GNN火爆,谷歌、港科大、北邮最新力作

新智元推荐

来源:极验

【新智元导读】上个月,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。今天和大家分享几篇AAAI 2020 的图学习相关论文。

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。

本文分享自微信公众号 - 新智元(AI_era)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-12-16

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 【新手必备】GAN生成对抗网络论文阅读路线图(附论文下载链接)

    作者:İdil Sülo, Middle East Technical University

    新智元
  • “中国版特斯拉”绝地反击,自动驾驶开辟“第三条路”?

    新智元报道 编辑:克雷格 【新智元导读】最近,中国宣布对进口汽车降低关税,这对中国车企来说,带来竞争结果并非全是挑战。下周,北京车展将开幕,这是中国2...

    新智元
  • 【重磅】Yann LeCun 带你一文看懂人工智能:原理、技术和未来

    【新智元导读】Facebook 官方博客更新,FAIR 主管、深度学习代表人物 Yann LeCun 与同事撰文,深入浅出解释什么是人工智能、人工智能如何影响我...

    新智元
  • 听说你刚中了NIPS?恭喜(研究德扑、老鼠胡须等AI的都入围了)

    允中 发自 凹非寺 量子位 出品 | 公众号 QbitAI ? 今天凌晨,NIPS 2017开始揭榜。 作为机器学习领域的顶级会议,NIPS 2017共收到32...

    量子位
  • 25篇最新CV领域综述性论文速递!涵盖15个方向:目标检测/图像处理/姿态估计/医学影像/人脸识别等方向

    标题:Deep Domain Adaptive Object Detection: a Survey

    深度学习技术前沿公众号博主
  • ​奇点临近,新研究使用数据多样性再次大幅提升神经网络翻译性能 | 一周AI最火论文

    在这篇论文中,研究人员提出了一个叫“数据多样化”的概念。这是一种解决神经机器翻译(NMT)当前挑战的简单而有效的方法,可极大地提高翻译质量。

    大数据文摘
  • 最新的46篇CV论文!

    计算机视觉论文速递系列推文目前是一周一次,因为Amusi说过很多次,这个系列文章整理到公众号上有点"吃"时间。所以暂时将原来的日报形式改成周报的形式。

    Amusi
  • 真实 VS 合成,我们需要的真实数据微乎其微?| 一周最火AI论文

    呜啦啦啦啦啦啦啦大家好,本周的AI Scholar Weekly栏目又和大家见面啦!

    大数据文摘
  • 8篇CVPR2019论文开源合集(含3D目标检测/目标跟踪/语义分割和实例分割)

    本文将分享收集到的CVPR 2019 已开源paper,并将内容同步上传到 CVPR2019-Code上。如果想第一时间了解开源代码,那么大家 star/for...

    Amusi
  • 在线请求天气API,并解析其中的json数据予以显示

    请求互联网信息提供商并取得返回的数据使用到HttpURLConnection,等待数据下载成功得到的Json,把它 解析成程序可利用的数据,使用到JSONObj...

    爱因斯坦福

扫码关注云+社区

领取腾讯云代金券