最近，人工智能和機器學(xué)習(xí)領(lǐng)域的國際頂級會議 NeurIPS 2019 接收論文公布，共有 1428 篇論文被接收。為了帶大家搶先領(lǐng)略高質(zhì)量論文，本文整理了八篇 NeurIPS 2019 最新 GNN 相關(guān)論文，并附上 arXiv 論文鏈接供參考。

1.Approximation Ratios of Graph Neural Networks for Combinatorial Problems

作者：Ryoma Sato， Makoto Yamada， Hisashi Kashima;

摘要：本文從理論的角度研究了圖神經(jīng)網(wǎng)絡(luò) (GNNs) 在學(xué)習(xí)組合問題近似算法中的作用。為此，我們首先建立了一個新的 GNN 類，它可以嚴格地解決比現(xiàn)有 GNN 更廣泛的問題。然后，我們彌合了 GNN 理論和分布式局部算法理論之間的差距，從理論上證明了最強大的 GNN 可以學(xué)習(xí)最小支配集問題的近似算法和具有一些近似比的最小頂點覆蓋問題比率，并且沒有 GNN 可以執(zhí)行比這些比率更好。本文首次闡明了組合問題中 GNN 的近似比。此外，我們還證明了在每個節(jié)點特征上添加著色或弱著色可以提高這些近似比。這表明預(yù)處理和特征工程在理論上增強了模型的能力。

網(wǎng)址：

https://arxiv.org/abs/1905.10261

2. D-VAE: A Variational Autoencoder for Directed Acyclic Graphs

作者：Muhan Zhang, Shali Jiang, Zhicheng Cui, Roman Garnett, Yixin Chen;

摘要：圖結(jié)構(gòu)數(shù)據(jù)在現(xiàn)實世界中是豐富的。在不同的圖類型中，有向無環(huán)圖 (DAG) 是機器學(xué)習(xí)研究人員特別感興趣的，因為許多機器學(xué)習(xí)模型都是通過 DAG 上的計算來實現(xiàn)的，包括神經(jīng)網(wǎng)絡(luò)和貝葉斯網(wǎng)絡(luò)。本文研究了 DAG 的深度生成模型，提出了一種新的 DAG 變分自編碼器 (D-VAE)。為了將 DAG 編碼到潛在空間中，我們利用了圖神經(jīng)網(wǎng)絡(luò)。我們提出了一個異步消息傳遞方案，它允許在 DAG 上編碼計算，而不是使用現(xiàn)有的同步消息傳遞方案來編碼局部圖結(jié)構(gòu)。通過神經(jīng)結(jié)構(gòu)搜索和貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)兩項任務(wù)驗證了該方法的有效性。實驗表明，該模型不僅生成了新穎有效的 DAG，還可以生成平滑的潛在空間，有助于通過貝葉斯優(yōu)化搜索具有更好性能的 DAG。

網(wǎng)址：

https://arxiv.org/abs/1904.11088

3. End to end learning and optimization on graphs

作者：Bryan Wilder, Eric Ewing, Bistra Dilkina, Milind Tambe;

摘要：在實際應(yīng)用中，圖的學(xué)習(xí)和優(yōu)化問題常常結(jié)合在一起。例如，我們的目標可能是對圖進行集群，以便檢測有意義的社區(qū) (或者解決其他常見的圖優(yōu)化問題，如 facility location、maxcut 等)。然而，圖或相關(guān)屬性往往只是部分觀察到，引入了一些學(xué)習(xí)問題，如鏈接預(yù)測，必須在優(yōu)化之前解決。我們提出了一種方法，將用于常見圖優(yōu)化問題的可微代理集成到用于鏈接預(yù)測等任務(wù)的機器學(xué)習(xí)模型的訓(xùn)練中。這允許模型特別關(guān)注下游任務(wù)，它的預(yù)測將用于該任務(wù)。實驗結(jié)果表明，我們的端到端系統(tǒng)在實例優(yōu)化任務(wù)上的性能優(yōu)于將現(xiàn)有的鏈路預(yù)測方法與專家設(shè)計的圖優(yōu)化算法相結(jié)合的方法。

網(wǎng)址：

https://arxiv.org/abs/1905.13732

4. Graph Neural Tangent Kernel: Fusing Graph Neural Networks with Graph Kernels

作者：Simon S. Du, Kangcheng Hou, Barnabás Póczos, Ruslan Salakhutdinov, Ruosong Wang, Keyulu Xu;

摘要：雖然圖內(nèi)核 (graph kernel，GK) 易于訓(xùn)練并享有可證明的理論保證，但其實際性能受其表達能力的限制，因為內(nèi)核函數(shù)往往依賴于圖的手工組合特性。與圖內(nèi)核相比，圖神經(jīng)網(wǎng)絡(luò)通常具有更好的實用性能，因為圖神經(jīng)網(wǎng)絡(luò)使用多層結(jié)構(gòu)和非線性激活函數(shù)來提取圖的高階信息作為特征。然而，由于訓(xùn)練過程中存在大量的超參數(shù)，且訓(xùn)練過程具有非凸性，使得 GNN 的訓(xùn)練更加困難。GNN 的理論保障也沒有得到很好的理解。此外，GNN 的表達能力隨參數(shù)的數(shù)量而變化，在計算資源有限的情況下，很難充分利用 GNN 的表達能力。本文提出了一類新的圖內(nèi)核，即圖神經(jīng)切線核 (GNTKs)，它對應(yīng)于通過梯度下降訓(xùn)練的無限寬的多層 GNN。GNTK 充分發(fā)揮了 GNN 的表現(xiàn)力，繼承了 GK 的優(yōu)勢。從理論上講，我們展示了 GNTK 可以在圖上學(xué)習(xí)一類平滑函數(shù)。根據(jù)經(jīng)驗，我們在圖分類數(shù)據(jù)集上測試 GNTK 并展示它們實現(xiàn)了強大的性能。

網(wǎng)址：

https://arxiv.org/abs/1905.13192

5. HyperGCN: A New Method of Training Graph Convolutional Networks on Hypergraphs

作者：Naganand Yadati, Madhav Nimishakavi, Prateek Yadav, Vikram Nitin, Anand Louis, Partha Talukdar;

摘要：在許多真實世界的網(wǎng)絡(luò)數(shù)據(jù)集中，如 co-authorship、co-citation、email communication 等，關(guān)系是復(fù)雜的，并且超越了成對關(guān)聯(lián)。超圖（Hypergraph）提供了一個靈活而自然的建模工具來建模這種復(fù)雜的關(guān)系。在許多現(xiàn)實世界網(wǎng)絡(luò)中，這種復(fù)雜關(guān)系的明顯存在，自然會激發(fā)使用 Hypergraph 學(xué)習(xí)的問題。一種流行的學(xué)習(xí)范式是基于超圖的半監(jiān)督學(xué)習(xí) (SSL)，其目標是將標簽分配給超圖中最初未標記的頂點。由于圖卷積網(wǎng)絡(luò) (GCN) 對基于圖的 SSL 是有效的，我們提出了 HyperGCN，這是一種在超圖上訓(xùn)練用于 SSL 的 GCN 的新方法。我們通過對真實世界超圖的詳細實驗證明 HyperGCN 的有效性，并分析它何時比最先進的 baseline 更有效。

網(wǎng)址：

https://arxiv.org/abs/1809.02589

6. Social-BiGAT: Multimodal Trajectory Forecasting using Bicycle-GAN and Graph Attention Networks

作者：Vineet Kosaraju, Amir Sadeghian, Roberto Martín-Martín, Ian Reid, S. Hamid Rezatofighi, Silvio Savarese;

摘要：從自動駕駛汽車和社交機器人的控制到安全監(jiān)控，預(yù)測場景中多個交互主體的未來軌跡已成為許多不同應(yīng)用領(lǐng)域中一個日益重要的問題。這個問題由于人類之間的社會互動以及他們與場景的身體互動而變得更加復(fù)雜。雖然現(xiàn)有的文獻探索了其中的一些線索，但它們主要忽略了每個人未來軌跡的多模態(tài)性質(zhì)。在本文中，我們提出了一個基于圖的生成式對抗網(wǎng)絡(luò) Social-BiGAT，它通過更好地建模場景中行人的社交互來生成真實的多模態(tài)軌跡預(yù)測。我們的方法是基于一個圖注意力網(wǎng)絡(luò) (GAT) 學(xué)習(xí)可靠的特征表示 (編碼場景中人類之間的社會交互)，以及一個反方向訓(xùn)練的循環(huán)編解碼器體系結(jié)構(gòu) (根據(jù)特征預(yù)測人類的路徑)。我們明確地解釋了預(yù)測問題的多模態(tài)性質(zhì)，通過在每個場景與其潛在噪聲向量之間形成一個可逆的變換，就像在 Bicycle-GAN 中一樣。我們表明了，與現(xiàn)有軌跡預(yù)測基準的幾個 baseline 的比較中，我們的框架達到了最先進的性能。

網(wǎng)址：

https://arxiv.org/abs/1907.03395

7. Scalable Gromov-Wasserstein Learning for Graph Partitioning and Matching

作者：Hongteng Xu, Dixin Luo, Lawrence Carin;

摘要：我們提出了一種可擴展的 Gromov-Wasserstein learning (S-GWL) 方法，并建立了一種新的、理論支持的大規(guī)模圖分析范式。該方法基于 Gromov-Wasserstein discrepancy，是圖上的偽度量。給定兩個圖，與它們的 Gromov-Wasserstein discrepancy 相關(guān)聯(lián)的最優(yōu)傳輸提供了節(jié)點之間的對應(yīng)關(guān)系，從而實現(xiàn)了圖的匹配。當其中一個圖具有獨立但自連接的節(jié)點時（即，一個斷開連接的圖），最優(yōu)傳輸表明了其他圖的聚類結(jié)構(gòu)，實現(xiàn)了圖的劃分。利用這一概念，通過學(xué)習(xí)多觀測圖的 Gromov-Wasserstein barycenter 圖，將該方法推廣到多圖的劃分與匹配；barycenter 圖起到斷開圖的作用，因為它是學(xué)習(xí)的，所以聚類也是如此。該方法將遞歸 K 分割機制與正則化近似梯度算法相結(jié)合，對于具有 V 個節(jié)點和 E 條邊的圖，其時間復(fù)雜度為 O (K (E+V) logk V)。據(jù)我們所知，我們的方法是第一次嘗試使 Gromov-Wasserstein discrepancy 適用于大規(guī)模的圖分析，并將圖的劃分和匹配統(tǒng)一到同一個框架中。它優(yōu)于最先進的圖劃分和匹配方法，實現(xiàn)了精度和效率之間的平衡。

網(wǎng)址：

https://arxiv.org/abs/1905.07645

8. Universal Invariant and Equivariant Graph Neural Networks

作者：Nicolas Keriven, Gabriel Peyré;

摘要：圖神經(jīng)網(wǎng)絡(luò) (GNN) 有多種形式，但應(yīng)該始終是不變的 (輸入圖節(jié)點的排列不會影響輸出) 或等變的 (輸入的排列置換輸出)。本文考慮一類特殊的不變和等變網(wǎng)絡(luò)，證明了它的一些新的普適性定理。更確切地說，我們考慮具有單個隱藏層的網(wǎng)絡(luò)，它是通過應(yīng)用等變線性算子、點態(tài)非線性算子和不變或等變線性算子形成的信道求和而得到的。最近，Maron et al. (2019b) 指出，通過允許網(wǎng)絡(luò)內(nèi)部的高階張量化，可以獲得通用不變的 GNN。作為第一個貢獻，我們提出了這個結(jié)果的另一種證明，它依賴于實值函數(shù)代數(shù)的 Stone-Weierstrass 定理。我們的主要貢獻是將這一結(jié)果推廣到等變情況，這種情況出現(xiàn)在許多實際應(yīng)用中，但從理論角度進行的研究較少。證明依賴于一個新的具有獨立意義的廣義等變函數(shù)代數(shù) Stone-Weierstrass 定理。最后，與以往許多考慮固定節(jié)點數(shù)的設(shè)置不同，我們的結(jié)果表明，由一組參數(shù)定義的 GNN 可以很好地近似于在不同大小的圖上定義的函數(shù)。

網(wǎng)址：

https://arxiv.org/abs/1905.04943

總結(jié)

以上是生活随笔為你收集整理的八篇 NeurIPS 2019 最新图神经网络相关论文的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。