- 欢迎关注WX公众号， 每周发布论文解析：PaperShare,
点我关注
论文列表
目前找了录用的一些有关于Graph或者GNN的文章，先过一遍各个文章的摘要，然后再花时间对觉得比较重要或者有趣的文章进行详细阅读。
Paper7
- 任意的graph存在节点缺少标准位置信息的问题，会降低GNN的区分同构或者对称graphs的表达能力。
- 一个解决方法就是Positional Encoding (PE)，并将其嵌入到输入层，比如一个Transformer中。
- 一个可行的PE方法就是Laplacian eigenvectors。
- 我们方法将结构和位置表示解耦，这样GNN学习起来比较容易。
- 我们提出了LSPE架构，并在几种sparse和FC（Transformer-like）的GNNs中进行了实验，在分子识别数据集上取得了1.79%-64.14%的性能提升。
; 实验
三个数据集上做的实验，看起来增加了不同的PE以后，绝大部分性能都得到了提升。
分析
无论是带不带参数的PE，个人理解就是增加了graph的结构信息，虽然文章是将拓扑结构信息和PE信息解耦，并用不同的loss去学习，但是本质上来说，也相当于是引入了更多的graph结构的信息，只不过PE扩大了特征空间。自然地，用来区分图结构，分类问题，性能提升是理所当然了。
Paper8
; 摘要简介
- 主要目的是如何压缩超大图，并且压缩后的graph也是highly-informative，能够用于GNN的训练。
- 作者提出了一种策略，通过模仿GNN的训练过程，同时对节点特征和结构信息进行压缩。
- 在Reddit，Flickr，Citeseer三个经典的数据集上达到了 *99.9% 的压缩率，性能也在分别维持在 95.3%,99.8%,99.0%。
实验
这压缩效率确实猛啊。
和别的baseline压缩算法进行对比，效果还是挺明显。
用不同GNN去测试：
; 分析
忍不住好奇看了眼方法：
这个bi-level的优化问题定义还是比较清晰的。
Original: https://blog.csdn.net/bagba/article/details/123767980
Author: Bagba
Title: ICLR2022 GNN 图神经网络 论文阅读 (二) 泛读 (7-8)
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/692097/
转载文章受原作者版权保护。转载请注明原作者出处！