论文题目: Graph Convolutional Networks with Motif-based Attention

论文摘要:

深度卷积神经网络在计算机视觉和语音识别领域的成功,使得研究人员开始研究该体系结构对图结构数据的泛化。最近提出的一种称为图卷积网络的方法能够在节点分类方面取得最新的成果。然而,由于所提出的方法依赖于spectral图卷积的局部一阶近似,因此无法捕获图中节点间的高阶相互作用。在这项工作中,我们提出了一个motif-based的图注意力模型,称为Motif Convolutional Networks,它通过使用加权多跳motif邻接矩阵来捕获高阶邻域,从而泛华了过去的方法。一个新的注意力机制被用来允许每个单独的节点选择最相关的邻居来应用它的过滤器。我们在不同领域(社会网络和生物信息学)的图上评估了我们的方法,结果表明它能够在半监督节点分类任务上胜过一组有竞争力的基准方法。其他结果证明了attention的有用性,表明不同的节点对不同的高阶邻域进行了优先排序。

论文作者:

John Boaz Lee于2015-1019年在伍斯特理工学院计算机科学系的攻读博士学位。研究领域包括深度学习、数据挖掘、信息与社会网络分析、强化学习等。2020年1月,将加入Facebook研究的核心数据科学团队作为研究科学家。

Ryan A. Rossi目前在Adobe Research工作。研究领域是机器学习,从社会和物理现象跨越理论、算法和大型复杂关系(网络/图)数据的应用。在普渡大学获得了计算机科学的博士和硕士学位。Ryan A. Rossi的论文主要研究关系机器学习和动态网络数据的挖掘,并且获得了国家科学基金研究生奖学金(NSF GRFP)、国防科学与工程研究生奖学金(NDSEG)、普渡大学弗雷德里克·n·安德鲁斯奖学金以及比尔斯兰博士学位论文奖学金。还是网络存储库项目的联合创始人,该项目是第一个具有交互式可视图形分析功能的数据存储库,可以帮助研究人员通过web实时查找、探索和理解图形数据。

孔祥南的研究兴趣集中在数据挖掘和机器学习上,重点在于解决生物医学和社会应用中的数据科学问题。孔博士对设计算法以解决各种研究领域中的数据多样性问题特别感兴趣,这些领域包括生物医学研究,社会计算,神经科学和商业智能。他一直致力于神经科学,生物医学信息学和社交网络领域的图形数据挖掘,并且在数据挖掘的顶级会议和期刊上发表了论文,包括KDD,ICDM,SDM,WWW,WSDM,CIKM,TKDE。

成为VIP会员查看完整内容
52

相关内容

六篇 CIKM 2019 必读的【图神经网络(GNN)】长文论文
专知会员服务
37+阅读 · 2019年11月3日
图神经网络(Graph Neural Networks,GNN)综述
极市平台
103+阅读 · 2019年11月27日
【论文笔记】自注意力图池化
专知
78+阅读 · 2019年11月18日
论文浅尝 | 基于知识图谱中图卷积神经网络的推荐系统
开放知识图谱
67+阅读 · 2019年8月27日
超越标准 GNN !DeepMind、谷歌提出图匹配网络| ICML最新论文
黑龙江大学自然语言处理实验室
7+阅读 · 2019年5月7日
图嵌入(Graph embedding)综述
人工智能前沿讲习班
448+阅读 · 2019年4月30日
基于注意力机制的图卷积网络
科技创新与创业
73+阅读 · 2017年11月8日
Signed Graph Attention Networks
Arxiv
7+阅读 · 2019年9月5日
Arxiv
8+阅读 · 2019年5月20日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
Arxiv
9+阅读 · 2018年2月4日
VIP会员
相关VIP内容
六篇 CIKM 2019 必读的【图神经网络(GNN)】长文论文
专知会员服务
37+阅读 · 2019年11月3日
相关资讯
图神经网络(Graph Neural Networks,GNN)综述
极市平台
103+阅读 · 2019年11月27日
【论文笔记】自注意力图池化
专知
78+阅读 · 2019年11月18日
论文浅尝 | 基于知识图谱中图卷积神经网络的推荐系统
开放知识图谱
67+阅读 · 2019年8月27日
超越标准 GNN !DeepMind、谷歌提出图匹配网络| ICML最新论文
黑龙江大学自然语言处理实验室
7+阅读 · 2019年5月7日
图嵌入(Graph embedding)综述
人工智能前沿讲习班
448+阅读 · 2019年4月30日
基于注意力机制的图卷积网络
科技创新与创业
73+阅读 · 2017年11月8日
相关论文
Signed Graph Attention Networks
Arxiv
7+阅读 · 2019年9月5日
Arxiv
8+阅读 · 2019年5月20日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
Arxiv
9+阅读 · 2018年2月4日
微信扫码咨询专知VIP会员