ADAPTIVE GRAPH DIFFUSION NETWORKS(自适应图扩散网络) 笔记

1 Title

        ADAPTIVE GRAPH DIFFUSION NETWORKS(Chuxiong Sun, Jie Hu, Hongming Gu, Jinpeng Chen, Mingchuan Yang)【2022】

2 Conclusion

        This study proposes the Adaptive Graph Diffusion Networks (AGDNs) which perform multi-layer generalized graph diffusion in different feature spaces with moderate complexity and runtime. Standard graph diffusion methods combine large and dense powers of the transition matrix with predefined weighting coefficients. Instead, AGDNs combine smaller multi-hop node representations with learnable and generalized weighting coefficients. It proposes two scalable mechanisms of weighting coefficients to capture multi-hop information: Hop-wise Attention (HA) and Hop-wise Convolution (HC).

3 Good Sentences

        1、However, unlike the deep models in the Computer Vision (CV) domain, the deep GNNs  will encounter the over-smoothing problem, resulting in significant performance degradation. The model cannot distinguish the node representations, which become nearly identical after long-range message passing. Deep GNNs may contain many feature transformations since a GNN layer usually couples a graph convolution operator and a feature transformation(The problems of GNNs meet)
        2、. However, GDC lacks flexibility since its weighting coefficients are predefined and fixed for different nodes and feature channels. Moreover, GDC cannot improve link prediction performance. A more efficient but equivalent way of calculating the graph diffusion is to calculate multi-hop node representations iteratively and combine them. Some methods perform this memory-efficient graph diffusion in each layer without calculating the explicit diffusion matrix.(The limitations of related works GDC that has not been well studied)
        3、The Scalable Inception Graph Neural Network (SIGN) encodes and concatenates multi-hop representations. However, as a trade-off between efficiency and accuracy, the simple decoupled architecture limits model capacity because all graph convolution operators are
restricted in the same feature space. There are no intermediate transformations between graph convolution operators(The shortcomings of Decoupled GNNs)


本文提出了自适应图扩散神经网络(AGDNs ),其广义图扩散与两种可学习和可扩展的加权系数机制相关联:逐跳注意(HA)和逐跳卷积(HC)。从MPNNs到GDNs,感受野被扩大,而不增加额外的变换或解耦模型结构。不同特征空间中的多层图扩散可以有助于模型容量。HA引入了逐跳和逐节点的加权系数。HC可以直接学习逐跳和逐信道加权系数。

这篇文章本身感觉没什么用,倒是做了一些类似综述的工作可以看看

相关工作:

        Residual GNNs:通过残差链接,GNNs解决了过拟合和过平滑问题

        Graph diffusion:图卷积描述为转移矩阵和节点特征/表示矩阵之间的矩阵乘法。然后,图扩散用扩散矩阵代替转移矩阵,该扩散矩阵是转移矩阵的幂与沿跳标准化的加权系数的线性组合。加权系数对于平衡浅层和深层信息的重要性至关重要。个性化PageRank (PPR)和热核(HK) 是两种流行的预定义加权系数。它们都遵循这样的先验,即较远的相邻节点比较近的相邻节点具有更少的影响。加权系数也可以是使用标签传播的类似可训练参数。注意力行走联合优化了节点嵌入和加权系数。

        Decoupled GNNs:为了使用浅特征变换执行深图卷积,解耦GNNs将图卷积运算符和特征变换解耦。如DCNN、SDC

        Explicit diffusion matrix: Graph Diffusion Convolution:作为增加输入数据的预处理方法,图形扩散卷积(GDC) [19]计算显式扩散矩阵。虽然GDC控制最终扩散矩阵的稀疏性,但中间显式的高次幂转移矩阵仍被保持,这限制了它的可扩展性。PPR和HK有近似的方法来缓解这个信息损失的问题。此外,加权系数是预定义的,并且对于所有节点、通道和层都是相同的,这可能会限制模型性能。GDC不能在可学习转移矩阵的预处理中计算。此外,GDC不能提高链路预测性能

         Implicit diffusion matrix: Graph Diffusion Networks:图扩散网络(gdn)执行隐式图扩散,从每层中的节点特征或表示矩阵开始进行从右到左的矩阵乘法。首先,GDNs依次计算多跳表示矩阵。然后,他们整合这些矩阵,而无需维护高维扩散矩阵。这种范式更节省内存,因为高阶聚合特征矩阵比高次幂转换矩阵小得多

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/819840.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

MongoDB【五】索引

在MongoDB中,索引对于提升查询性能至关重要,特别是针对大型数据集时。以下是如何在MongoDB中创建、查看和删除索引的基本操作,以及不同类型的索引如何影响查询性能。 创建索引 1. 创建单字段索引: 升序索引(默认&am…

【JAVA基础篇教学】第十四篇:Java中设计模式

博主打算从0-1讲解下java基础教学,今天教学第十四篇:Java中设计模式。 设计模式是解决软件设计中常见问题的可重复利用的解决方案。在 Java 中,常见的设计模式包括单例模式、工厂模式、观察者模式等。目前在基础教学篇中只展示常见的几种模…

<Halcon> 可视化窗口调用

可视化窗口调用 C#代码 if (HDevWindowStack.IsOpen()) {var hwindow HDevWindowStack.GetActive();if (hwindow null) return;HOperatorSet.SetColor(hwindow, "red");HOperatorSet.SetDraw(hwindow, "margin");HOperatorSet.DispObj(object, hwindo…

kamailio 虚变量

伪变量是以$开头的一些变量,这些变量可以作为参数提供给不同的脚本函数,并且在执行函数之前,它们将被替换为一个值. 伪变量的开头用字符$标记。如果你想让字符$加倍$$。 有一组预定义的伪变量,其名称由一个或多个字符组成&#…

【WordPress】在 Ubuntu 系统上使用 Caddy 服务器来发布 WordPress 网站

在 Ubuntu 系统上使用 Caddy 服务器来发布 WordPress 网站可以通过以下步骤完成: 安装 Caddy 服务器: 首先,你需要在 Ubuntu 上安装 Caddy 服务器。你可以从 Caddy 的官方网站或者仓库获取安装包,也可以使用以下命令进行安装&…

STM32笔记---CAN采样点设置和报错

STM32笔记---CAN采样点设置和报错 采样点设置再同步补偿宽度(SJW)设置 报错分析CAN中断使能寄存器CAN错误状态寄存器 采样点设置 以前配置CAN参数的BS1和BS2参数时认为总线波特率符合要求就可以了,其实同一个波特率可能对应多组参数设置的情…

开发公司 or 个人开发者?软件开发如何选择?

引言 随着科技的发展,软件开发已成为一个相对复杂的行业,需要专业的技能和经验来保证项目的成功。许多企业、组织和个人都纷纷加入到了软件开发的队伍中。在选择软件开发人员时,您可能会面临一个选择:是找个人开发人员还是找专业的…

访问者模式【行为模式C++】

1.概述 访问者模式是一种行为设计模式, 它能将算法与其所作用的对象隔离开来。 访问者模式主要解决的是数据与算法的耦合问题,尤其是在数据结构比较稳定,而算法多变的情况下。为了不污染数据本身,访问者会将多种算法独立归档&…

数据结构与算法——22.哈希算法

这篇文章我们来讲一下哈希表中较为关键的部分——哈希算法 目录 1.哈希算法的介绍 2.hash算法的使用 2.1 Object.hashCode 2.2 String.hashCode 3.关于哈希表及哈希算法的一些思考 1.哈希算法的介绍 问题:什么是哈希算法?哈希算法有哪些&#xff…

一个专注于前端视觉效果的集合应用,包含CSS动效、Canvas动画、Three.js3D、人工智能应用等上百个案例

一个专注于前端视觉效果的集合应用,包含CSS动效、Canvas动画、Three.js3D、人工智能应用等上百个案例 文章目录 一个专注于前端视觉效果的集合应用,包含CSS动效、Canvas动画、Three.js3D、人工智能应用等上百个案例一、视觉设计二、交互设计三、Canvas动…

软件杯 深度学习图像修复算法 - opencv python 机器视觉

文章目录 0 前言2 什么是图像内容填充修复3 原理分析3.1 第一步:将图像理解为一个概率分布的样本3.2 补全图像 3.3 快速生成假图像3.4 生成对抗网络(Generative Adversarial Net, GAN) 的架构3.5 使用G(z)生成伪图像 4 在Tensorflow上构建DCGANs最后 0 前言 &#…

NLP的奥秘:用 Python 揭秘人类语言与人工智能的桥梁【6000 字长文含代码示例】

目录 NLP 的核心任务 NLP 的发展历史 NLP 的技术与方法 传统的 NLP 技术与方法 规则基础方法:语言学的智慧 统计学习方法:数据的力量 深度学习方法:人工智能的新浪潮 NLP 的应用领域 Python在 NLP 中的应用 1、NLTK (Natural Langu…

【第十四届蓝桥杯省赛题目】

选择题: 1.设只含根结点的二叉树高度为1,共有62个结点的完全二叉树的高度为? A.4 B.5 C.6 D.7 解析:高度为K的满二叉树 节点数为 2k-1 ,如果K6 最多有63个节点 故答案为6 选C 2.C中,bool类型的变量占用字…

【AAAI2024】点云的自适应邻域提取

论文标题:Point Deformable Network with Enhanced Normal Embedding for Point Cloud Analysis 论文地址:https://ojs.aaai.org/index.php/AAAI/article/view/28497 两个创新点:可变邻域法向量提取 一、由固定邻居变为可变的邻域 二、最小二…

PCL-PEG-DCL (ACUPA) 聚己内酯聚乙二醇PSMA 抑制剂

PCL-PEG-DCL (ACUPA) 聚己内酯聚乙二醇PSMA 抑制剂 【中文名称】 聚己内酯聚乙二醇PSMA抑制剂DCL 【英文名称】 PCL-PEG-DCL (ACUPA) 【品 牌】 碳水科技(Tanshtech) 【纯 度】 95%以上 【保 存】 -20 【规 格】 50mg,100mg,500mg,…

2.SG90舵机模块

当我们输出一段脉冲信号的时候就可以调节舵机的角度 我们可以从原理图可以看到舵机的脚在PA6 从芯片手册我们又可以看到PA6对应TIM3_CH1,并且不用开启部分重映像就能使用 新建Servo.c存放PWM初始化 配置PWM void Servo_TIM3_Init(u16 arr,u16 psc) {//开启TIM3的时钟RCC_APB1…

GIS入门,Java不使用任何第三方库实现射线穿越法计算某个点是否与多边形相交,比普通射线法提升了计算性能

前言 在上一章中《GIS入门,Java不使用任何第三方库实现判断一个经纬度点是否在多个经纬度点组成的多边形内,计算某个点是否与多边形相交》,我们使用了一个最简单的算法“射线法”来计算一个点到是否与多边形相交,但是对于多边形非常多的顶点时,计算就会力有不逮。 本章将…

嵌入式工程师如何利用周末提升自己?

提升自己一定要趁早,这是作为中年人的我,对年轻人的忠告。 以前年轻,觉得时间多,总是幻想着,很多人也大器晚成啊,晚点努力也不晚。 前阵子小米汽车火了,雷总说这是他最后一次重大创业&#xff0…

富 格 林:规避虚假暗箱制胜法宝

富 格 林认为,现货黄金是众多黄金产品中交易规则优势较为明显的存在,尤其是进来的行情走势十分强劲,这给予了投资者更充足的做单机会。不过,机会的增加不意味着就一定可以制胜。要知道规避虚假暗箱才是制胜最有效的法宝。富 格 林…

禅道登录/创建版本/编辑版本接口 【禅道版本 18.12/18.11】

登录获取token import requestsurl = "http://192.168.1.234:6060/api.php/v1/tokens" payload = {"account": "jenkins","password": "jenkins123" } headers = {}response = requests.request