最近，人工智能和機器學習領域的國際頂級會議 NeurIPS 2019 接收論文公布，共有 1428 篇論文被接收。為了帶大家搶先領略高質量論文，本文整理了八篇 NeurIPS 2019 最新 GNN 相關論文，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網絡 (GNNs) 在學習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 可以學習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。這表明預處理和特征工程在理論上增強了模型的能力。

網址：

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：圖結構數據在現實世界中是豐富的。在不同的圖類型中，有向無環圖 (DAG) 是機器學習研究人員特別感興趣的，因為許多機器學習模型都是通過 DAG 上的計算來實現的，包括神經網絡和貝葉斯網絡。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，我們利用了圖神經網絡。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，而不是使用現有的同步消息傳遞方案來編碼局部圖結構。通過神經結構搜索和貝葉斯網絡結構學習兩項任務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化搜索具有更好性能的 DAG。

網址：

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：在實際應用中，圖的學習和優化問題常常結合在一起。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 (或者解決其他常見的圖優化問題，如 facility location、maxcut 等)。然而，圖或相關屬性往往只是部分觀察到，引入了一些學習問題，如鏈接預測，必須在優化之前解決。我們提出了一種方法，將用于常見圖優化問題的可微代理集成到用于鏈接預測等任務的機器學習模型的訓練中。這允許模型特別關注下游任務，它的預測將用于該任務。實驗結果表明，我們的端到端系統在實例優化任務上的性能優于將現有的鏈路預測方法與專家設計的圖優化算法相結合的方法。

網址：

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：雖然圖內核 (graph kernel，GK) 易于訓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，因為內核函數往往依賴于圖的手工組合特性。與圖內核相比，圖神經網絡通常具有更好的實用性能，因為圖神經網絡使用多層結構和非線性激活函數來提取圖的高階信息作為特征。然而，由于訓練過程中存在大量的超參數，且訓練過程具有非凸性，使得 GNN 的訓練更加困難。GNN 的理論保障也沒有得到很好的理解。此外，GNN 的表達能力隨參數的數量而變化，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核，即圖神經切線核 (GNTKs)，它對應于通過梯度下降訓練的無限寬的多層 GNN。GNTK 充分發揮了 GNN 的表現力，繼承了 GK 的優勢。從理論上講，我們展示了 GNTK 可以在圖上學習一類平滑函數。根據經驗，我們在圖分類數據集上測試 GNTK 并展示它們實現了強大的性能。

網址：

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絡數據集中，如 co-authorship、co-citation、email communication 等，關系是復雜的，并且超越了成對關聯。超圖（Hypergraph）提供了一個靈活而自然的建模工具來建模這種復雜的關系。在許多現實世界網絡中，這種復雜關系的明顯存在，自然會激發使用 Hypergraph 學習的問題。一種流行的學習范式是基于超圖的半監督學習 (SSL)，其目標是將標簽分配給超圖中最初未標記的頂點。由于圖卷積網絡 (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控，預測場景中多個交互主體的未來軌跡已成為許多不同應用領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雜。雖然現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性質。在本文中，我們提出了一個基于圖的生成式對抗網絡 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軌跡預測。我們的方法是基于一個圖注意力網絡 (GAT) 學習可靠的特征表示 (編碼場景中人類之間的社會交互)，以及一個反方向訓練的循環編解碼器體系結構 (根據特征預測人類的路徑)。我們明確地解釋了預測問題的多模態性質，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，與現有軌跡預測基準的幾個 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 相關聯的最優傳輸提供了節點之間的對應關系，從而實現了圖的匹配。當其中一個圖具有獨立但自連接的節點時（即，一個斷開連接的圖），最優傳輸表明了其他圖的聚類結構，實現了圖的劃分。利用這一概念，通過學習多觀測圖的 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，因為它是學習的，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合，對于具有 V 個節點和 E 條邊的圖，其時間復雜度為 O (K (E+V) logk V)。據我們所知，我們的方法是第一次嘗試使 Gromov-Wasserstein discrepancy 適用于大規模的圖分析，并將圖的劃分和匹配統一到同一個框架中。它優于最先進的圖劃分和匹配方法，實現了精度和效率之間的平衡。

網址：

https://arxiv.org/abs/1905.07645

8. Universal Invariant and Equivariant Graph Neural Networks

作者：Nicolas Keriven, Gabriel Peyré;

摘要：圖神經網絡 (GNN) 有多種形式，但應該始終是不變的 (輸入圖節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絡，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絡，它是通過應用等變線性算子、點態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，通過允許網絡內部的高階張量化，可以獲得通用不變的 GNN。作為第一個貢獻，我們提出了這個結果的另一種證明，它依賴于實值函數代數的 Stone-Weierstrass 定理。我們的主要貢獻是將這一結果推廣到等變情況，這種情況出現在許多實際應用中，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代數 Stone-Weierstrass 定理。最后，與以往許多考慮固定節點數的設置不同，我們的結果表明，由一組參數定義的 GNN 可以很好地近似于在不同大小的圖上定義的函數。

網址：

https://arxiv.org/abs/1905.04943

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。