精选论文 | 图神经网络时间节点【附打包下载】

关注文章公众号 回复"SFFAI27论文"获取本主题精选论文

论文共读

最近，图神经网络广泛受到了各界的关注，基于图神经网络的模型和应用在异质图表示学习和零样本学习任务中取得了不错的效果。今天，两位主讲嘉宾为大家精选了图神经网络方法中的几个代表性模型以及零样本学习模型，和大家一起学习分享最新的研究进展。

你可以认真阅读，来现场和讲者面对面交流哦。

1

推荐理由：图神经网络领域最经典的论文之一，也是Graph Convolutional Network的代表。本文对谱域的图卷积进行了分析，并对傅里叶变换后的频域图卷积进行了一阶近似。通过一个简单高效的传播模型在节点分类任务上取得最优效果。

推荐理由来自：纪厚业

2

推荐理由：在实际图数据中，两个节点建立连接的原因不同，连接强度也各不相同。本文所提出的Graph Attention Network将注意力机制引入到图神经网络中来学习节点邻居的重要性。GAT可以更好的处理桥节点和噪音邻居具有更好的鲁棒性。同时，通过对注意力权重进行分析，GAT具有更好的可解释性。

推荐理由来自：纪厚业

3

推荐理由：本文对Graph Convolutional Network进行了理论分析，证明了Graph Convolutional Network本质是一种Laplacian smoothing。多层GCN效果下降的原因是over-smoothing。最后本文提出了co-training和self-training来克服GCN的局限并通过实验验证了其效果。

推荐理由来自：纪厚业

4

推荐理由：对Graph Convolutional Network的局限性进行了分析。本文首先分析了PageRank和Graph Convolutional Network之间的联系与区别，并利用Personalized PageRank的角度来解决Graph Convolutional Network中存在的问题。本文提出的算法在经过多层传播后依然不会出现过平滑问题，并随着层数的增加，模型效果有了一定的提升。

推荐理由来自：纪厚业

5

推荐理由：结合知识图谱与图神经网络进行零样本图片分类的开创之作，发表在CVPR2018。本文通过知识图谱信息将物体类别构造成图，每个节点输入对应类别的词向量信息，输出该类别对应的分类器参数。通过使用已知类别预训练好的分类器进行二次回归优化，从而把分类器学习泛化到未知类上。

推荐理由来自：高君宇

6

推荐理由： 上一篇文章的改进版，被CVPR2019接收。主要改进有如下几个方面：

1. 将局部信息传播改为密集信息传播（Dense Graph Propagation, DGP），减少了GCN 的层数；

2. 根据连接边的远近引入attention机制进行加权计算；

3. 根据graph信息进行微调。

推荐理由来自：高君宇

7

推荐理由：使用知识图谱与图神经网络进行多标签零样本学习的开创之作，发表在CVPR2018。本文在语义类别空间中学习信息传递机制，从而可以建模已知类和未知类之间的相互依赖关系。

推荐理由来自：高君宇