- Сверточные сети с расширенным графом соседей для классификации и рекомендации узлов (arXiv)
Автор:Хао Чен, Чжун Хуан, Юэ Сюй, Цзэндэ Дэн, Фейран Хуан, Пэн Хэ, Чжоуцзюнь Ли.
Аннотация: недавно предложенные графовые сверточные сети (GCN) достигли значительно более высокой производительности в различных задачах, связанных с графами, таких как классификация узлов и рекомендации. Однако в настоящее время исследования моделей GCN обычно рекурсивно агрегируют информацию от всех соседей или случайно выбранных подмножеств соседей, без явного определения того, предоставляют ли агрегированные соседи полезную информацию во время свертки графа. В этой статье мы теоретически анализируем влияние качества соседей на производительность моделей GCN и предлагаем структуру Neighbor Enhanced Graph Convolutional Network (NEGCN) для повышения производительности существующих моделей GCN. Наш вклад тройной. Во-первых, мы впервые предлагаем концепцию качества соседей как для классификации узлов, так и для задач рекомендаций в общей теоретической основе. В частности, для классификации узлов мы предлагаем три предложения для теоретического анализа того, как качество соседей влияет на эффективность классификации узлов моделей GCN. Во-вторых, на основе трех предложенных предложений мы вводим процесс уточнения графа, включая специально разработанные методы оценки соседей, чтобы повысить качество соседей, чтобы повысить как классификацию узлов, так и задачи рекомендаций. В-третьих, мы проводим обширную классификацию узлов и эксперименты с рекомендациями на нескольких эталонных наборах данных. Экспериментальные результаты подтверждают, что предлагаемая нами структура NEGCN может значительно повысить производительность различных типичных моделей GCN как в задачах классификации узлов, так и в задачах рекомендаций.
2. Обучение эффективному решению задач с минимальной стоимостью с помощью сверточных нейронных сетей с взвешенным по ребрам графом (arXiv)
Автор:Штеффен Юнг, Маргрет Койпер
Аннотация:Многократная задача минимальной стоимости — это NP-сложная/APX-сложная комбинаторная задача оптимизации разбиения вещественнозначного взвешенного по ребрам графа таким образом, чтобы минимизировать общую стоимость разбиения. Хотя графовые сверточные нейронные сети (GNN) оказались многообещающими в контексте комбинаторной оптимизации, большинство из них адаптированы или протестированы только для положительных весов ребер, т. е. они не соответствуют природе проблемы с несколькими разрезами. Поэтому мы адаптируем различные архитектуры GNN, включая сверточные сети графов, сверточные сети подписанных графов и изоморфные сети графов, чтобы облегчить эффективное кодирование реальных стоимостей границ. Кроме того, мы используем переформулировку ограничений ILP с несколькими разрезами для полиномиальной программы в виде функции потерь, что позволяет масштабируемым образом изучать возможные решения с несколькими разрезами. Таким образом, мы предоставляем первый подход к сквозным обучаемым мультивыходам. Наши результаты подтверждают, что подходы GNN могут давать хорошие решения на практике, обеспечивая при этом меньшее время вычислений и значительно улучшенную масштабируемость по сравнению с LP-решателями и оптимизированными эвристиками, особенно при рассмотрении больших экземпляров.
3. IA-GCN: сверточная сеть интерактивных графов для рекомендаций (arXiv)
Автор:Йинань Чжан, Пей Ван, Сивэй Чжао, Хао Ци, Цзе Хэ, Цзюньшэн Цзинь, Чанпин Пэн, Чжанган Линь, Цзинпин Шао
Аннотация. В последнее время сверточная сеть графов (GCN) стала новшеством для рекомендательных систем (RS) на основе совместной фильтрации (CF). Общепринятой практикой является изучение информативных представлений пользователя и элемента путем внедрения распространения в двудольный граф пользователь-элемент, а затем предоставление пользователям персонализированных предложений элементов на основе представлений. Несмотря на эффективность, существующие алгоритмы пренебрегают ценными интерактивными функциями между парами пользователь-элемент в процессе внедрения. При прогнозировании предпочтения пользователя для различных элементов они по-прежнему объединяют дерево пользователей таким же образом, не выделяя информацию, связанную с целью, в пользовательском окружении. Такая унифицированная схема агрегирования легко приводит к неоптимальным представлениям пользователей и элементов, что в некоторой степени ограничивает выразительность модели. В этой работе мы решаем эту проблему, создавая двустороннее интерактивное руководство между каждой парой пользователь-элемент и предлагая новую модель под названием IA-GCN (сокращение от InterActive GCN). В частности, при изучении представления пользователя из его окружения мы присваиваем более высокие веса внимания тем соседям, которые похожи на целевой элемент. Соответственно, при изучении представления элемента мы уделяем больше внимания тем соседям, которые напоминают целевого пользователя. Это приводит к интерактивным и интерпретируемым функциям, эффективно извлекая информацию, специфичную для цели, посредством каждой сверточной операции графа. Наша модель построена на основе LightGCN, современной модели GCN для CF, и может быть объединена с различными архитектурами CF на основе GCN сквозным образом. Обширные эксперименты с тремя эталонными наборами данных демонстрируют эффективность и надежность IA-GCN.
4. T-Hop: тензорное представление путей в графовых сверточных сетях (arXiv)
Автор : Абдулрахман Ибрагим
Аннотация: мы описываем метод кодирования информации о пути в графах в трехмерный тензор. Показана связь между введенной схемой представления пути и матрицами смежности с питанием. Чтобы облегчить большие вычислительные потребности при работе с трехмерным тензором, мы предлагаем применить уменьшение размерности на оси глубины тензора. Затем мы описываем, что наша уменьшенная трехмерная матрица может быть преобразована в правдоподобный слой свертки графа путем внедрения ее в установленную структуру сверточной сети графа, такую как MixHop.
