.png){kind=icon}
返回
Implicit graph neural network for deep graph transformation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02468-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究提出了一种新颖的图神经网络架构，用于解决带属性图的通用转换问题，其中输入和输出均为带属性图，输出图的演化（包括节点和边的属性）由捕捉转换过程中复杂依赖关系的复杂交互作用所决定。该领域的研究因两个关键挑战而受限：(1) 联合建模四种原子交互类型的复杂性，即节点到边、节点到节点、边到节点和边到边的交互；(2) 建模跨越图中远距离部分的节点和边之间依赖关系的挑战，这些依赖关系在转换过程中通过多个迭代步骤发展。为克服这些挑战，我们提出了一种可扩展的平衡模型NEC∞，该模型整合了节点到边和边到节点的信息传递。此外，我们基于隐函数定理[1]开发了一种高效的优化算法，并对NEC∞进行了适定性分析。实验在四个合成随机图数据集、四个真实世界数据集和两个合成动力系统数据集上进行，采用多种节点和边预测评估指标。结果表明，NEC∞在所有基线模型中表现最佳，在BA随机图上实现最高达十倍的均方误差（MSE）降低，在合成数据集上的边预测准确率范围为94%至近100%，并在分子反应和高阶脑网络等任务中取得卓越结果，凸显其在建模复杂图转换方面的优势。
Keyword:
Node-edge co-evolution
Attributed graph transformation
Implicit equilibrium model
Graph neural networks
期刊
IF:
3.1
论文数:
548
被引数:
5.2K
机构
引用论文
Functional brain connectivity is predictable from anatomic network's Laplacian eigen-structure.png)
NeuroImage
OAAI
NeuroImageIF0
OAAI分享收藏Graph Transformation Policy Network for Chemical Reaction PredictionProceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting时空图卷积网络: 用于交通预测的深度学习框架
OAAI
OAAI分享收藏分享收藏
查看更多内容