ICML 2020上与【图神经网络 (GNN) 】相关的论文（5篇）

图神经网络（GNN）是近年来在机器学习领域备受瞩目的研究方向，特别是在处理非欧几里得数据，如社交网络、化学分子结构等问题时，展现出强大的能力。ICML 2020作为国际机器学习领域的顶级会议，自然也汇集了众多关于GNN的最新研究成果。以下是这五篇论文的主要内容： 1. **《Bayesian Graph Neural Networks with Adaptive Connection Sampling》** 这篇论文提出了贝叶斯图神经网络（Bayesian GNN），引入了不确定性的概念，以处理图结构和节点特征的不确定性。通过自适应连接采样，模型可以动态地学习图的结构，提高对未知或不完整数据的泛化能力，这对于现实世界中的许多问题具有重要意义。 2. **《Continuous Graph Neural Networks》** 连续图神经网络（Continuous GNN）则解决了传统GNN中离散的图卷积操作带来的问题。它提出了一种新的框架，允许在连续域上进行图神经网络的计算，提高了模型的表达能力和稳定性，对于动态图或者非离散数据的处理有着显著的优势。 3. **《Faster Graph Embeddings via Coarsening》** 论文提出了更快的图嵌入方法，通过图聚类（Coarsening）技术来降低图的复杂性，从而加速GNN的学习过程。这种方法可以减少计算量，提高效率，同时保持模型的准确性，对于大规模图数据的处理非常实用。 4. **《Simple and Deep Graph Convolutional Networks》** 深度图卷积网络（Deep GCN）是GNN的一个重要研究方向。这篇论文探讨了如何构建简单而深的GCN架构，克服传统GCN的过平滑问题，使得模型能够在更深的层次上捕获更复杂的图结构信息，从而提升性能。 5. **《Spectral Clustering with Graph Neural Networks for Graph Pooling》** 图池化（Graph Pooling）是GNN中用于减少图复杂性、提高模型效率的关键步骤。论文利用谱聚类结合图神经网络，提出了一种新的图池化策略，能够更好地保留图的结构信息，并在下采样过程中保持图的表示能力。 这些研究不仅扩展了GNN的基础理论，还提供了许多实际应用中的解决方案，如图结构学习、图嵌入加速和深度GCN设计等。它们共同推动了GNN在图数据处理上的边界，为未来的研究和应用奠定了坚实基础。