Слияние кода завершено, страница обновится автоматически
Must-read papers on GNN
GNN: graph neural network.
Contributed by Jie Zhou, Ganqu Cui, Zhengyan Zhang and Yushi Bai.
Графовые нейронные сети: обзор методов и приложений. arXiv 2018. paper
Jie Zhou, Ganqu Cui, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Maosong Sun.
Всесторонний обзор графовых нейронных сетей. arXiv 2019. paper
Zonghan Wu, Shirui Pan, Fengwen Chen, Guodong Long, Chengqi Zhang, Philip S. Yu.
Глубокое обучение на графах: обзор. arXiv 2018. paper
Ziwei Zhang, Peng Cui, Wenwu Zhu.
Реляционные индуктивные смещения, глубокое обучение и графовые сети. arXiv 2018. paper
Battaglia, Peter W и Hamrick, Jessica B и Bapst, Victor и Sanchez-Gonzalez, Alvaro и Zambaldi, Vinicius и Malinowski, Mateusz и Tacchetti, Andrea и Raposo, David и Santoro, Adam и Faulkner, Ryan и другие.
Геометрическое глубокое обучение: выходя за пределы евклидовых данных. IEEE SPM 2017. paper
Bronstein, Michael M и Bruna, Joan и LeCun, Yann и Szlam, Arthur и Vandergheynst, Pierre.
Вычислительные возможности графовых нейронных сетей. IEEE TNN 2009. paper
Scarselli, Franco и Gori, Marco и Tsoi, Ah Chung и Hagenbuchner, Markus и Monfardini, Gabriele.
Нейронные сети передачи сообщений для квантовой химии. ICML 2017. paper
Gilmer, Justin и Schoenholz, Samuel S и Riley, Patrick F и Vinyals, Oriol и Dahl, George E.
Нелокальные нейронные сети. CVPR 2018. paper
Wang, Xiaolong и Girshick, Ross и Gupta, Abhinav и He, Kaiming.
Модель графовой нейронной сети. IEEE TNN 2009. paper Bayesian Semi-supervised Learning with Graph Gaussian Processes. NeurIPS 2018.
Jianlong Chang, Jie Gu, Lingfeng Wang, Gaofeng Meng, Shiming Xiang, Chunhong Pan.
Адаптивные свёрточные нейронные сети на графах. AAAI 2018.
Ruoyu Li, Sheng Wang, Feiyun Zhu, Junzhou Huang.
Двойственные свёрточные графовые сети для графовой полууправляемой классификации. WWW 2018.
Chenyi Zhuang, Qiang Ma.
Изучение устойчивых состояний итеративных алгоритмов на графах. ICML 2018.
Hanjun Dai, Zornitsa Kozareva, Bo Dai, Alex Smola, Le Song.
Графовые капсульные свёрточные нейронные сети. ICML 2018 Workshop.
Saurabh Verma, Zhi-Li Zhang.
Капсульная графовая нейронная сеть. ICLR 2019.
Zhang Xinyi, Lihui Chen.
Сети с волновыми преобразованиями на графах. ICLR 2019.
Bingbing Xu, Huawei Shen, Qi Cao, Yunqi Qiu, Xueqi Cheng.
Глубокий граф-инфомакс. ICLR 2019.
Petar Veličković, William Fedus, William L. Hamilton, Pietro Liò, Yoshua Bengio, R Devon Hjelm.
Прогнозирование и распространение: свёрточные графовые нейронные сети и персонализированный PageRank. ICLR 2019.
Johannes Klicpera, Aleksandar Bojchevski, Stephan Günnemann.
LanczosNet: многомасштабные глубокие свёрточные графовые нейронные сети. ICLR 2019.
Renjie Liao, Zhizhen Zhao, Raquel Urtasun, Richard Zemel.
Инвариантные и эквивариантные графовые сети. ICLR 2019.
Haggai Maron, Heli Ben-Hamu, Nadav Shamir, Yaron Lipman.
GMNN: графовые марковские нейронные сети. ICML 2019.
Meng Qu, Yoshua Bengio, Jian Tang.
Позиционно-зависимые графовые нейронные сети. ICML 2019.
Jiaxuan You, Rex Ying, Jure Leskovec.
Разделимые свёрточные графовые нейронные сети. ICML 2019.
Jianxin Ma, Peng Cui, Kun Kuang, Xin Wang, Wenwu Zhu.
Стохастические блочные модели и графовые нейронные сети. ICML 2019.
Nikhil Mehta, Lawrence Carin, Piyush Rai.
Обучение дискретным структурам для свёрточных графовых нейронных сетей. ICML 2019.
Luca Franceschi, Mathias Niepert, Massimiliano Pontil, Xiao He.
MixHop: архитектуры свёрточных нейронных сетей более высокого порядка через разреженное смешивание окрестностей. ICML 2019.
Sami Abu-El-Haija, Bryan Perozzi, Amol Kapoor, Nazanin Alipourfard, Kristina Lerman, Hrayr Harutyunyan, Greg Ver Steeg, Aram Galstyan.
DEMO-Net: графовые нейронные сети, специфичные для степени, для классификации узлов и графов. KDD 2019.
Jun Wu, Jingrui He, Jiejun Xu.
Представление графов с помощью обучения с использованием жёсткого и поканального внимания в нейронных сетях. KDD 2019.
Hongyang Gao, Shuiwang Ji.
Графовое обучение представлению данных с помощью свёрточных сетей. CVPR 2019.
Bo Jiang, Ziyan Zhang, Doudou Lin, Jin Tang.
Представление данных и обучение с помощью диффузионно-встраиваемых графов.
В запросе представлен список статей, связанных с разработкой и применением свёрточных нейронных сетей на графах. В статьях рассматриваются различные подходы к обучению и использованию таких моделей для анализа и обработки данных, представленных в виде графов. DyRep: Learning Representations over Dynamic Graphs. ICLR 2019.
Rakshit Trivedi, Mehrdad Farajtabar, Prasenjeet Biswal, Hongyuan Zha.
Hypergraph Neural Networks. AAAI 2019.
Yifan Feng, Haoxuan You, Zizhao Zhang, Rongrong Ji, Yue Gao.
Heterogeneous Graph Attention Network. WWW 2019.
Xiao Wang, Houye Ji, Chuan Shi, Bai Wang, Peng Cui, P. Yu, Yanfang Ye.
Representation Learning for Attributed Multiplex Heterogeneous Network. KDD 2019.
Yukuo Cen, Xu Zou, Jianwei Zhang, Hongxia Yang, Jingren Zhou, Jie Tang.
ActiveHNE: Active Heterogeneous Network Embedding. IJCAI 2019.
Xia Chen, Guoxian Yu, Jun Wang, Carlotta Domeniconi, Zhao Li, Xiangliang Zhang.
GCN-LASE: Towards Adequately Incorporating Link Attributes in Graph Convolutional Networks. IJCAI 2019. Динамические гиперграфовые нейронные сети
Зияо Ли, Лян Чжан, Гоцзе Сонг.
Использование связей взаимодействия для классификации узлов с глубокими графовыми нейронными сетями
Цзяньвэнь Цзян, Юйсюань Вэй, Ифань Фэн, Цзинсюань Цао, Юэ Гао.
Использование рёберных признаков в графовых нейронных сетях
Хогун Парк, Дженнифер Невилл.
Иерархическое обучение представлению графов с дифференцируемым объединением
Чжитао Ин, Цзясюань Ю, Кристофер Моррис, Сян Жэнь, Уилл Гамильтон, Юре Лесковец.
Самовнимание графового объединения
Джунхён Ли, Инёп Ли, Джаэу Кан.
Графовые U-сети
Хонъян Гао, Шуйван Джи.
Графовые свёрточные сети с объединением на основе собственных значений
Яо Ма, Суханг Ван, Чару К. Агарвал, Цзилианг Тан.
Объединение отношений для представления графов
Райан Л. Мёрфи, Баласубраманиам Сринивасан, Винаяк Рао, Бруно Рибейро.
Сравнение рекурсивных нейронных сетей и графовых нейронных сетей
Винченцо Ди Масса, Габриэле Монфардини, Лоренцо Сарти, Франко Скарселли, Марко Маджини, Марко Гори.
Нейронные сети для реляционного обучения: экспериментальное сравнение
Вернер Увенс, Габриеле Монфардини, Хендрик Блокеель, Марко Гори, Франко Скарселли.
Теория среднего поля графовых нейронных сетей при разбиении графа
Тацуро Кавамото, Масаси Цубаки, Томоюки Обучи.
Обучение представлению на графах с помощью прыгающих сетей знаний
Кейлу Сю, Ченгтао Ли, Юнлун Тянь, Томохиро Сонобэ, Кен-ичи Каварабаяши, Стефани Джегелька.
Более глубокое понимание графовых свёрточных сетей для полууправляемого обучения
Цимай Ли, Чжичао Хань, Сяо-Мин Ву.
Насколько мощны графовые нейронные сети?
Кейлу Сю, Вейхуа Ху, Юре Лесковец, Стефани Джегелька.
Стабильность и обобщение графовых свёрточных нейронных сетей
Саурб Верма, Чжи-Ли Чжан.
Упрощение графовых свёрточных нейронных сетей
Феликс Ву, Тяньи Чжан, Амаури Холанда де Соуза младший, Кристофер Фифти, Тао Ю, Килиан К. Вайнбергер.
Методы объяснимости для графовых свёрточных нейронных сетей
Филипп Э. Поуп, Сохеил Колури, Мохаммад Ростами, Чарльз Э. Мартин, Хайко Хоффманн.
Могут ли GCNs быть такими же глубокими, как CNNs?
Гохао Ли, Маттиас Мюллер, Али Табет, Бернард Ганем.
Weisfeiler и Leman становятся нейронными: графовые нейронные сети более высокого порядка
Кристофер Моррис, Мартин Ритцерт.
Алекс Фут, Джонатон Берд, Басир Шариат, Аса Бен-Хур.
Гибридный подход на основе реляционной сети и локализованного графового свёрточного фильтра для классификации подтипов рака молочной железы. IJCAI 2018. paper
Сонмин Ри, Сокджун Со, Сун Ким.
Моделирование побочных эффектов полипрагмазии с помощью графовых свёрточных сетей. ISMB 2018. paper
Маринка Зитник, Моника Агравал, Юре Лесковец.
MR-GNN: мультиразрешающая и двойная графовая нейронная сеть для прогнозирования структурированных взаимодействий сущностей. IJCAI 2019. paper
Нуо Сюй, Пинхуэй Ван, Лонг Чен, Цзин Тао, Цзюньчжоу Чжао.
Предварительное обучение графовым расширенным трансформаторам для рекомендации лекарств. IJCAI 2019. paper
Цзюньюань Шан, Тэнфэй Ма, Цао Сяо, Джимэн Сунь.
GAMENet: графовые расширенные MEmory-сети для рекомендаций по комбинированию лекарств. AAAI 2019. paper
Цзюньюань Шан, Цао Сяо, Тэнфэй Ма, Хонъянь Ли, Джимэн Сунь.
AffinityNet: полуконтролируемое обучение с малым количеством данных для предсказания типа заболевания. AAAI 2019. paper
Тяньле Ма, Айдун Чжан.
Графовая политика трансформации для предсказания химических реакций. KDD 2019. paper
Киен До, Труйен Тран, Света Венкатеш.
Функциональная прозрачность для структурированных данных: подход с точки зрения теории игр. ICML 2019. paper
Гуан-Хе Ли, Уэнгун Цзинь, Дэвид Альварес-Мелис, Томми С. Яаккола.
Изучение многомодального графово-графового перевода для молекулярной оптимизации. ICLR 2019. paper
Уэнгун Цзинь, Кевин Ян, Регина Барзилай, Томми Яаккола.
Генеративная модель для электронных путей. ICLR 2019. paper
Джон Брэдшоу, Мэтт Дж. Куснер, Брукс Пейдж, Марвин Х. С. Сеглер, Хосе Мигель Эрнандес-Лобато.
Моделирование реляционных данных с помощью свёрточных графовых сетей. ESWC 2018. paper
Михаэль Шликтрукль, Томас Н. Кипф, Питер Блум, Рианна ван ден Берг, Иван Титов, Макс Веллинг.
Кросс-языковое выравнивание графов знаний с помощью свёрточных графовых сетей. EMNLP 2018. paper
Чжичунь Ван, Цинсун Лв, Сяохань Лан, Юй Чжан.
Обучение представлению для визуально-реляционных графов знаний. arxiv 2017. paper
Даниэль Оньоро-Рубио, Матиас Ниперт, Альберто Гарсия-Дуран, Роберто Гонсалес, Роберто Х. Лопес-Састре.
Структурно-ориентированные свёрточные сети для завершения баз знаний. AAAI 2019. paper
Чао Шан, Юн Тан, Цзин Хуан, Цзиньбо Би, Сяодонг Хэ, Боуэн Чжоу.
Передача знаний для сущностей вне базы знаний: подход на основе графовой нейронной сети. IJCAI 2017. paper
Такуо Хамагучи, Хидекадзу Ойва, Масаши Симбо, Юдзи Мацумото.
Логическое внимание на основе агрегации окрестностей для индуктивного встраивания графа знаний. AAAI 2019. paper
Пейфен Ван, Джиалонг Хан, Чэньлян Ли, Рон Пан.
Динамическая генеративная сеть графов: генерация реляционного знания из диаграмм. CVPR 2018. paper
Хаоюй Ван, Дефу Лиан, Йонг Ге.
Оценка важности узлов в графах знаний с использованием графовых нейронных сетей. KDD 2019. paper
Намьён Пак, Андрей Кан, Син Луна Донг, Тонг Чжао, Кристос Фалутос. Связывание крупномасштабных разнородных графов сущностей. KDD 2019.
Фанцзинь Чжан, Сяо Лю, Цзе Тан, Юйсяо Дун, Пейран Яо, Цзе Чжан, Сяотао Гу, Ян Ван, Бин Шао, Руи Ли, Куансан Ван.
Изучение внимания на основе встраивания для прогнозирования отношений в графах знаний. ACL 2019.
Дипакан Натхани, Джатин Чаухан, Чару Шарма, Манохар Каул.
Кросс-языковое выравнивание графов знаний с помощью нейронной сети сопоставления графов. ACL 2019.
Кун Сюй, Мо Ю, Яньсон Фэн, Янь Сун, Чжиго Ван, Донг Ю.
Графовые свёрточные нейронные сети для рекомендательных систем в масштабе веб. KDD 2018.
Рекс Ин, Руйнинг Хэ, Кайфэн Чен, Понг Эксомбатчай, Уильям Л. Гамильтон, Юре Лесковец.
Геометрическая матрица завершения с рекуррентными мультиграфовыми нейронными сетями. NIPS 2017.
Федерико Монти, Майкл М. Бронштейн, Ксавье Брессон.
Свёрточная матричная композиция на графе. 2017.
Рианна ван ден Берг, Томас Н. Кипф, Макс Веллинг.
STAR-GCN: многослойные и реконструированные графовые свёрточные сети для рекомендательных систем. IJCAI 2019.
Цзяни Чжан, Синцзянь Ши, Шэнлинь Чжао, Ирвин Кинг.
Бинаризованная совместная фильтрация с дистилляцией графовых свёрточных сетей. IJCAI 2019.
Хаоюй Ван, Дефу Лянь, Юн Гэ.
Контекстуализированная самовнимательная сеть на графах для рекомендаций на основе сеансов. IJCAI 2019.
Чэнфэн Сюй, Пэнпэн Чжао, Яньчи Лю, Виктор С. Шэн, Цзяцзе Сюй, Фужэнь Чжуан, Цзюньхуа Фан, Сяофан Чжоу.
Рекомендации на основе сеанса с графовыми нейронными сетями. AAAI 2019.
Шу У, Ююань Тан, Яньцяо Чжу, Лян Ван, Синьси Xie, Тиэнюй Тан.
Геометрические процессы Хокса с графовыми свёрточными рекуррентными нейронными сетями. AAAI 2019.
Джин Шан, Минсюань Сунь.
Знания, ориентированные на графы нейронные сети с регуляризацией гладкости меток для рекомендательных систем. KDD 2019.
Хунвэй Ван, Фучжэн Чжан, Мэнди Чжан, Юре Лесковец, Мяо Чжао, Вэньцзе Ли, Чжунъюань Ван.
Точные рекомендации K через оптимизацию максимальных клик. KDD 2019.
Юй Гун, Юй Чжу, Лу Дуань, Цинвэнь Лю, Цзиюань Гуань, Фей Сунь, Вэнву Оу, Кенни Кью. Чжу.
KGAT: сеть внимания графа знаний для рекомендаций. KDD 2019.
Сян Ван, Сяннань Хэ, Исинь Цао, Мэн Лю, Тат-Сенг Чуа.
Свёртка графов знаний для рекомендательных систем. WWW 2019.
Хунвэй Ван, Мяо Чжао, Синь Си, Вэньцзе Ли, Миньи Го.
Двойственные графовые сети внимания для глубокого латентного представления многогранных социальных эффектов в рекомендательных системах. WWW 2019.
Цитянь Ву, Хэнжуй Чжан, Сяофэн Гао, Пэн Хэ, Пол Вэн, Хан Гао, Гуйхай Чэнь.
Графовые нейронные сети для социальных рекомендаций. WWW 2019.
Вэньци Фань, Яо Ма, Цин Ли, Юань Хэ, Эрик Чжао, Цзилианг Тан, Давэй Инь.
Графовые нейронные сети для локализации объектов. ECAI 2006.
Габриэле Монфардини, Винченцо Ди Масса, Франко Скарселли, Марко Гори.
Обучение взаимодействию человека и объекта с помощью графовых нейронных сетей. ECCV 2018.
Сиюань Ци. Блок для распознавания действий на основе скелета. AAAI 2019. paper
Юй-Хуэй Вэнь, Линь Гао, Хунбо Фу, Фан-Лю Чжан, Шихонг Ся.
Чжао-Минь Чэнь, Сю-Шэнь Вэй, Пэн Ван, Яньвэнь Го.
Хань Сюй, Чэньхан Цзян, Сяодан Лян, Чжэнго Ли.
Синьхун Ма, Тяньчжу Чжан, Чаншэн Сюй.
Цзюньцзе Чжан, Ци У, Цзянь Чжан, Чуньхуа Шэнь, Цзяньфэн Лу.
Мэнши Ци, Вэйцзянь Ли, Чжэньюань Ян, Юньхун Ван, Цзебо Ло.
Тяньшуй Чен, Вэйхао Ю, Рицюань Чен, Лян Линь.
Сю Ян, Кайхуа Тан, Ханьван Чжан, Цзяньфей Цай.
Лэй Ян, Сяохань Чжань, Дапэн Чэнь, Цзюньцзе Янь, Чен Чанг Лой, Дахуа Линь.
Тибо Дюран, Назанин Мехраса, Грег Мори.
Джиа-Ксинг Чжун, Наннан Ли, Вейцзе Конг, Шан Лю, Томас Х. Ли, Ге Ли.
Цзяньчао Ву, Лимин Ван, Ли Ван, Цзе Го, Ганшань Ву.
Себастьян Кох, Альберт Матвеев, Чжунши Цзян, Фрэнсис Уильямс, Алексей Артемов, Евгений Бурнаев, Марк Алекса, Денис Зорин, Даниэле Паноццо.
Пэн Ван, Ци У, Дживей Цао, Чуньхуа Шен, Ляньли Гао, Антон ван ден Хенгель.
Юньпэн Чен, Маркус Рорбах, Чжичэн Янь, Шуйчэн Янь, Цзиаши Фэн, Яннис Калантидис.
Жонгдао Ван, Лян Чжэн, Яли Ли, Шэнцзинь Ван.
Хуан Лин, Цзюнь Гао, Амлан Кар, Вэньчжэн Чен, Санья Фидлер.
В статье приведены переводы названий статей и имён авторов. Переводы текстов статей не представлены, так как они могут содержать научную терминологию, которая требует дополнительного пояснения. Свёрточные сети. NAACL 2019.
Николо Де Као, Уилкер Азиз, Иван Титов.
Двунаправленная свёрточная сеть на основе графа внимания для многоходового логического вывода в задачах ответа на вопросы. NAACL 2019.
Юй Цао, Мэн Фан, Дачэн Тао.
GraphIE: основанная на графе структура для извлечения информации. NAACL 2019.
Юджи Цянь, Энрико Сантус, Чжицзин Цзинь, Цзян Го, Регина Барзилай.
Графовая свёртка для мультимодального извлечения информации из визуально насыщенных документов. NAACL 2019.
Сяоцзин Лю, Фэйюй Гао, Цюн Чжан, Хуаша Чжао.
Структурные нейронные кодировщики для генерации текста из AMR. NAACL 2019.
Марко Дамонте, Шай Б. Коэн.
Обнаружение оскорбительного языка с помощью свёрточных графовых сетей. NAACL 2019.
Пушкар Мишра, Марко Дель Тредичи, Хелен Яннакудис, Екатерина Шутова.
Изучение объединения графов и гибридных свёрточных операций для текстовых представлений. WWW 2019.
Хонъян Гао, Юнцзюнь Чен, Шуйван Джи.
Сеть с графовой свёрточной политикой для целенаправленного создания молекулярных графов. NeurIPS 2018.
Цзясюань Ю, Боуэн Лю, Рекс Ин, Виджей Панде, Юре Лесковец.
Ограниченное создание семантически корректных графов с помощью регуляризации вариационных автокодировщиков. NeurIPS 2018.
Тэнфэй Ма, Цзе Чэнь, Сяо Цао.
Обучение глубоким генеративным моделям графов. ICLR Workshop 2018.
Юцзя Ли, Ориол Виньялс, Крис Дайер, Разван Паскану, Питер Баттаглиа.
MolGAN: неявная генеративная модель для небольших молекулярных графов. 2018.
Николо де Као, Томас Кипф.
GraphRNN: генерация реалистичных графов с использованием глубоких авторегрессивных моделей. ICML 2018.
Цзясюань Ю, Рекс Ин, Сян Жэнь, Уильям Л. Хэмилтон, Юре Лесковец.
NetGAN: генерация графов через случайные блуждания. ICML 2018.
Александр Божчевский, Александр Щур, Даниэль Зюгнер, Стефан Гюнеманн.
Graphite: итеративное генеративное моделирование графов. ICML 2019.
Адитья Гровер, Аарон Цвейг, Стефано Эрмон.
Генеративное моделирование кода с использованием графов. ICLR 2019.
Марк Брокшмидт, Мильтиадис Алламанис, Александр Л. Гонт, Олег Полозов.
Комбинаторная оптимизация с использованием свёрточных графовых сетей и управляемого поиска по дереву. NeurIPS 2018.
Чжувэнь Ли, Цифэн Чен, Владлен Колтун.
Обучение решателю SAT с использованием однобитового контроля. ICLR 2019.
Дэниел Селсам, Мэтью Ламм, Бенедикт Бюнд, Перси Лян, Леонардо де Моура, Дэвид Л. Дилл.
Примечание о алгоритмах обучения для квадратичного назначения с использованием свёрточных нейронных сетей. PADL 2017.
Алекс Новак, Соледад Виллар, Афонсо С. Бандейра, Джоан Бруна.
Внимание решает вашу задачу TSP, приблизительно. 2018.
Ваутер Кул, Херк ван Хоф, Макс Веллинг.
Научиться решать NP-полные задачи — свёрточная нейронная сеть для решения задачи коммивояжёра. AAAI 2019.
Марсело О. Р. Пратес, Педро Х. К. Авелар. DAG-GNN: DAG Structure Learning with Graph Neural Networks. ICML 2019.
Юэ Ю, Цзе Чен, Тянь Гао, Мо Ю.
Adversarial Attacks on Neural Networks for Graph Data. KDD 2018.
Даниэль Цюгнер, Амир Акбарнежад, Стефан Гюннеманн.
Adversarial Attack on Graph Structured Data. ICML 2018.
Ханцзюнь Дай, Хуэй Ли, Тиан Тиан, Синь Хуан, Лин Ван, Джун Чжу, Ле Сонг.
Adversarial Examples on Graph Data: Deep Insights into Attack and Defense. IJCAI 2019.
Хуйцзюнь Ву, Чэнь Ван, Юрий Тышецкий, Эндрю Дочерти, Кай Лу, Лимин Чжу.
Topology Attack and Defense for Graph Neural Networks: An Optimization Perspective. IJCAI 2019.
Кайди Сюй, Хонгэ Чен, Сицзя Лю, Пин-Юй Чен, Цуй-Вэй Вэн, Минги Хонг, Сюэ Линь.
Robust Graph Convolutional Networks Against Adversarial Attacks. KDD 2019.
Динъюань Чжу, Цзивэй Чжан, Пэн Цуй, Вэньу Чжу.
Certifiable Robustness and Robust Training for Graph Convolutional Networks. KDD 2019.
Даниэль Цюгнер, Стефан Гюннеманн.
Adversarial Attacks on Node Embeddings via Graph Poisoning. ICML 2019.
Александр Бочевски, Стефан Гюннеманн.
Adversarial Attacks on Graph Neural Networks via Meta Learning. ICLR 2019.
Даниэль Цюгнер, Стефан Гюннеманн.
PeerNets: Exploiting Peer Wisdom Against Adversarial Attacks. ICLR 2019.
Ян Свобода, Джонатан Маски, Федерико Монти, Михаил Бронштейн, Леонидас Гибас.
Attributed Graph Clustering: A Deep Attentional Embedding Approach. IJCAI 2019.
Чун Ван, Шируй Пан, Руйки Ху, Гуодонг Лонг, Джинг Цзян, Ченгки Чжан.
Attributed Graph Clustering via Adaptive Graph Convolution. IJCAI 2019.
Сяотун Чжан, Хан Лю, Цимай Ли, Сяо-Мин Ву.
Contextual Graph Markov Model: A Deep and Generative Approach to Graph Processing. ICML 2018.
Давиде Баччиу, Федерико Эррика, Алессио Микели.
Semi-Supervised Graph Classification: A Hierarchical Graph Perspective. WWW 2019.
Цзя Ли, Юй Ронг, Хун Чен, Хелен Мэн, Венбин Хуан, Цзюньчжоу Хуан.
DDGK: Learning Graph Representations for Deep Divergence Graph Kernels. WWW 2019.
Рами Аль-Рфоу, Дастин Зелле, Брайан Пероцци.
Unsupervised Inductive Graph-Level Representation Learning via Graph-Graph Proximity. IJCAI 2019.
Юнсэн Бай, Хао Дин, Ян Цяо, Агустин Маринович, Кен Гу, Тинг Чен, Ичжоу Сун, Вэй Ван.
NerveNet: Learning Structured Policy with Graph Neural Networks. ICLR 2018.
Тингу Ван, Ренджи Ляо, Джимми Ба, Санджа Фидлер.
Structured Dialogue Policy with Graph Neural Networks. ICCL 2018.
Лу Чен, Боуэн Тан, Сишань Лонг, Кай Ю.
Action Schema Networks: Generalised Policies with Deep Learning. AAAI 2018.
Сэм Тойер, Фелипе Тревизан, Сильви Представление программы
Изучение представления программ с помощью графов. ICLR 2018. paper Милтиадис Алламанис, Марк Брокшмидт, Махмуд Хадеми.
Изучение представления программ с использованием графов
В этой статье предлагается новый подход к представлению программ в виде графов. Авторы утверждают, что это представление может быть полезным для различных задач, таких как анализ кода, отладка и оптимизация. Они также предлагают метод обучения модели для создания такого представления на основе данных о программах.
Открытый словарь для изучения исходного кода с графовым кэшем. ICML 2019. paper Милан Цвиткович, Бадал Сингх, Анима Ананкумар.
Открытый словарь для изучения исходного кода с использованием графового кэша
Эта статья посвящена проблеме изучения исходного кода на языках программирования. Авторы предлагают использовать графовый кэш для хранения информации о коде и его структуре. Это позволяет ускорить процесс обучения моделей и повысить их точность.
Социальная сеть
DeepInf: прогнозирование социального влияния с помощью глубокого обучения. KDD 2018. paper Цзечжун Цю, Цзянь Тан, Хао Ма, Юйсяо Дун, Куансан Ван, Цзе Тан.
DeepInf: Прогнозирование социального влияния при помощи глубокого обучения
Статья посвящена разработке модели прогнозирования социального влияния в социальных сетях. Модель основана на глубоком обучении и учитывает различные факторы, такие как характеристики пользователей, их взаимодействия и контекст.
Характеристика и прогнозирование вовлечённости пользователей с помощью графа действий в приложении: кейс-стади Snapchat. KDD 2019. paper Ёзен Лю, Сяолинь Ши, Лукас Пирс, Сян Жэнь.
Характеристика и прогнозирование активности пользователей с применением графа действий приложения: исследование на примере Snapchat
Работа посвящена анализу и прогнозированию активности пользователей в приложениях на основе графа действий. В статье рассматривается применение методов машинного обучения для анализа данных о действиях пользователей в приложении Snapchat.
MCNE: комплексный фреймворк для обучения множественным условным сетевым представлениям социальной сети. KDD 2019. paper Хао Ван, Тонг Сюй, Ци Лю, Дефу Лиан, Энхонг Чен, Донгфан Ду, Хан Ву, Вэнь Су.
MCNE: Комплексный фреймворк для обучения множественным условным сетевым представлениям социальных сетей
Авторы статьи предлагают комплексный фреймворк MCNE для обучения множественным условным сетевым представлениям (MCNS) социальных сетей. Фреймворк включает в себя методы для извлечения признаков из данных социальных сетей, а также алгоритмы машинного обучения для построения моделей MCNS.
Достаточно ли одного вектора? Изучение полисемии узлов для встраивания сетей. KDD 2019. paper Нинхао Лю, Цяоюй Тань, Юэнин Ли, Хунся Ян, Цзинжэнь Чжоу, Ся Ху.
Достаточно ли одного вектора? Исследование полисемии узлов для внедрения в социальные сети
Исследование посвящено изучению полисемии узлов в социальных сетях и её влиянию на эффективность алгоритмов встраивания. Авторы рассматривают различные подходы к решению проблемы полисемии и оценивают их эффективность на реальных данных.
Кодирование социальной информации с помощью свёрточных нейронных сетей для определения политической позиции в новостных СМИ. ACL 2019. paper Чанг Ли, Дэн Голдвассер.
Кодирование социальной информации при помощи свёрточной нейронной сети для определения политической ориентации в новостных медиа
Исследователи предлагают модель на основе свёрточной нейронной сети, которая способна определять политическую ориентацию статей в новостных изданиях. Для этого они используют данные о социальных взаимодействиях между пользователями и их комментариях к статьям.
Детальная категоризация событий с использованием гетерогенных свёрточных нейронных сетей. IJCAI 2019. paper Хао Пэн, Цзясинь Ли, Цирань Гун, Янгцю Сун, Юаньсин Нин, Кунфэн Лай, Филип С. Ю.
Детальная классификация событий с применением гетерогенных свёрточных нейронных сетей
В статье описывается метод детальной классификации событий на основе использования гетерогенных свёрточных нейронных сетей. Метод позволяет учитывать различные аспекты событий, такие как временные рамки, участники и контекст, для более точной классификации.
Вы можете оставить комментарий после Вход в систему
Неприемлемый контент может быть отображен здесь и не будет показан на странице. Вы можете проверить и изменить его с помощью соответствующей функции редактирования.
Если вы подтверждаете, что содержание не содержит непристойной лексики/перенаправления на рекламу/насилия/вульгарной порнографии/нарушений/пиратства/ложного/незначительного или незаконного контента, связанного с национальными законами и предписаниями, вы можете нажать «Отправить» для подачи апелляции, и мы обработаем ее как можно скорее.
Комментарии ( 0 )