1、【arXiv-2021】Two Sides of the Same Coin: Heterophily and Oversmoothing in Graph Convolutional Neural Networks
作者：Yujun Yan Milad Hashemi Kevin Swersky Yaoqing Yang Danai Koutra
密歇根大学、谷歌研究院、加州大学伯克利分校
地址：https://arxiv.org/abs/2102.06462
文章导读：异配性和过平滑都会导致GNN较差的表达能力，本文第一个从理论上描述了异配性和过平滑之间的联系。本文通过对消息传播过程中节点表示的变化进行建模，分析了导致不同类节点表示难以区分的因素包括：同配性和节点的相对度数。并且发现:(i)异配性高的节点和异配性低且相比于邻居度数低的节点易触发过平滑问题;(ii)在邻居之间允许signed messages可以解决异配性和过平滑的问题。并根据以上的研究发现，提出GGCN模型。
 
2、【CVPR 2018】Image Generation from Scene Graphs
作者：Justin Johnson，Agrim Gupta，Li Fei-Fei
Stanford University，Google Cloud AI
地址：https://arxiv.org/pdf/1804.01622.pdf
文章导读：计算机视觉中一个有趣的应用是根据图描述生成图像。图像生成的传统方式是使用GAN或自动编码器生成文本到图像。从图到图像的生成不是使用文本来描述图像，而是提供了有关图像语义结构的更多信息。为了真正理解视觉世界，模型不仅要能够识别图像，还要能够生成图像。最近在从自然语言描述生成图像方面取得了很大进展。这些方法在一些领域，例如对鸟或花的描述，给出了很好的结果，但很难真实的复原包含许多对象和关系的复杂句子。为了克服这一限制，我们提出了一种从场景图生成图像的方法，使对象及其关系能够显式推理。我们的模型使用图卷积来处理输入的图像，通过预测对象的包围盒和分割掩模来计算场景布局，并通过级联细化网络将布局转换为图像。该网络对一对鉴别器进行对抗训练，以确保实际输出。
 
3、【arXiv 2021】Graph Self-Supervised Learning: A Survey
作者：刘以新,潘诗瑞,金明,周传,夏峰,于飞
地址：https://arxiv.org/pdf/2103.00111.pdf
文章导读：图的深度学习最近引起了人们的极大兴趣。然而，大多数研究集中在(半)监督学习上，导致标签依赖严重、泛化差、鲁棒性弱等缺点。为了解决这些问题，自我监督学习(self-supervised learning, SSL)已经成为一种很有前途的学习模式，它通过精心设计的借口任务来提取信息知识，而不依赖手工标签。与其他领域(如计算机视觉和自然语言处理)上的SSL不同，图上的SSL有独特的背景、设计思想和分类。在图数据自监督学习的框架下，本文对现有的使用SSL技术处理图数据的方法进行了及时和全面的综述。构建了一个统一的框架，在数学上形式化了图SSL的范式。根据任务的目标，将这些方法分为四类:基于生成的、基于辅助属性的、基于对比的和混合的方法。进一步总结了图SSL在各个研究领域的应用，总结了常用的图SSL数据集、评估基准、性能比较和开源代码。最后，讨论了该研究领域存在的挑战和潜在的未来发展方向。
 
 
 
本期内容：丁依林、任庆、白悦

内容中包含的图片若涉及版权问题，请及时与我们联系删除