Spectral-Graph-Survey

Spectral-Graph-Survey

谱图神经网络研究综述与发展趋势

该项目汇集了谱图神经网络领域的重要研究成果,包括里程碑论文、空间和谱域方法对比以及双胞胎论文等。内容涵盖2015年至2023年的关键进展,系统梳理了该领域的发展脉络。项目不仅总结现有工作,还探讨未来趋势,为谱图神经网络研究提供全面参考。

图神经网络谱图卷积图信号处理空间域频谱域Github开源项目

优秀的谱图神经网络

欢迎PR Awesome

目录

<a name="surveypapers" />

综述

<a name="milestone" />

构建谱图卷积的里程碑论文

<a name="ssviews" />

空间和谱域视角下的图神经网络

年份空间域谱域
2015年之前ParWalkDeepWalkLINE谱图神经网络ISGNN神经图指纹
2016年DCNN分子图卷积PATCHY-SANGCNChebNet
2017年MPNNPGCNGraphSAGEMoNet
2018年GIN自适应GCNFast GCNJKNet大规模GCNRationalNetARCayleyNet深度洞察
2019年SGCNDeepGCNMixHopPPAPARMAGDCEigenPoolGWNN稳定GCNN
2020年SIGN样条GNNUaGGPGraLSPGraphSAINTDropEdgeBGNNALaGNN连续GNNGCNIIPPRGoDAGNNH2GCNGraphZoom
2021年ADCUGCNDGCE(n)GNNGRANDC&SLGNN可解释谱滤波器富表达谱视角S2GCBernNetSpGAT
2022年GINR自适应SGCPGGNNDIMPAGWNChebNetIIJacobiConvSpecGNNG2CNpGNNChebGibbsNetSpecFormerSIGN谱密度EvenNetMSGNN
2023年RSGNNCAGCN低秩GNNAuto-HeGDropMessageDSFF-SEGAMidGCNGHRN
<a name="twinpaper" />

孪生论文

空间域谱域
简化图卷积网络简单谱图卷积
图神经网络有多强大?, K-跳消息传递图神经网络有多强大?谱图神经网络有多强大?
Graphon神经网络与图神经网络的可迁移性谱图卷积神经网络的可迁移性, 图神经网络的可迁移性质
SpatialFormer 计算机视觉论文Specformer
谱图神经网络何时在节点分类中失效?谱图神经网络何时在节点分类中失效?
<a name="application" />

谱图的应用

  • "脑信号的图频率分析"
    • Huang, Weiyu, Leah Goldsberry, Nicholas F. Wymbs, Scott T. Grafton, Danielle S. Bassett, 和 Alejandro Ribeiro。
    • IEEE信号处理选题期刊 10, 第7期 (2016): 1189-1203。
  • "基于人群的疾病预测的谱图卷积"
    • Parisot, Sarah, Sofia Ira Ktena, Enzo Ferrante, Matthew Lee, Ricardo Guerrerro Moreno, Ben Glocker, 和 Daniel Rueckert。
    • 医学图像计算与计算机辅助干预− MICCAI 2017:第20届国际会议,加拿大魁北克市,2017年9月11-13日,会议录,第III部分20,第177-185页。Springer International Publishing,2017。
  • "使用图卷积网络进行疾病预测:自闭症谱系障碍和阿尔茨海默病的应用"
    • Parisot, Sarah, Sofia Ira Ktena, Enzo Ferrante, Matthew Lee, Ricardo Guerrerro Moreno, Ben Glocker, 和 Daniel Rueckert。
    • 医学图像分析 48 (2018): 117-130。
  • "脑振荡的谱图理论"
    • Raj, Ashish, Chang Cai, Xihe Xie, Eva Palacios, Julia Owen, Pratik Mukherjee, 和 Srikantan Nagarajan。
    • 人脑映射 41, 第11期 (2020): 2980-2998。
  • "脑振荡的谱图理论——回顾与改进"
    • Verma, Parul, Srikantan Nagarajan, 和 Ashish Raj。
    • NeuroImage 249 (2022): 118919。
  • "用于学习阿尔茨海默病大脑连接的谱图回归模型"
    • Hu, Chenhui, Lin Cheng, Jorge Sepulcre, Keith A. Johnson, Georges E. Fakhri, Yue M. Lu, 和 Quanzheng Li。
    • PloS one 10, 第5期 (2015): e0128136。
  • "脑振荡谱图模型的稳定性和动力学"
    • Hu, Chenhui, Lin Cheng, Jorge Sepulcre, Keith A. Johnson, Georges E. Fakhri, Yue M. Lu, 和 Quanzheng Li。
    • 网络神经科学 7, 第1期 (2023): 48-72。
  • "学习用于链接预测的谱图变换"
    • Kunegis, Jérôme, 和 Andreas Lommatzsch。
    • 第26届国际机器学习年会论文集,第561-568页。2009。
  • "输电网络中功率流几何的谱图分析"
    • Retiére, Nicolas, Dinh Truc Ha, 和 Jean-Guy Caputo。
    • IEEE系统期刊 14, 第2期 (2019): 2736-2747。
  • "使用谱图理论技术在基因共表达网络中选择阈值"
    • Perkins, Andy D., 和 Michael A. Langston。
    • BMC生物信息学, 第10卷, 第11期, 第1-11页。BioMed Central,2009。
  • "蛋白质相互作用网络演化的图谱分析"
    • Thorne, Thomas, 和 Michael PH Stumpf。
    • 皇家学会界面杂志 9, 第75期 (2012): 2653-2666。
  • "通过容量加权谱分析研究交通网络脆弱性"
    • Bell, Michael GH, Fumitaka Kurauchi, Supun Perera, 和 Walter Wong。
    • 交通研究B部分:方法论 99 (2017): 251-266。
  • "基于人群的疾病预测的谱图卷积"
    • Parisot, Sarah, Sofia Ira Ktena, Enzo Ferrante, Matthew Lee, Ricardo Guerrerro Moreno, Ben Glocker, 和 Daniel Rueckert。
    • 医学图像计算与计算机辅助干预− MICCAI 2017:第20届国际会议,加拿大魁北克市,2017年9月11-13日,会议录,第III部分20,第177-185页。Springer International Publishing,2017。
  • "真实网络中的流行病传播:特征值视角"
    • Wang, Yang, Deepayan Chakrabarti, Chenxi Wang, 和 Christos Faloutsos。
    • 第22届国际可靠分布式系统研讨会,2003年会议录,第25-34页。IEEE,2003。
<a name="code" />

有理函数与多项式比较的实验代码

code文件夹

<a name="citation" />

引用信息

@article{10.1145/3627816,
    author = {Chen, Zhiqian and Chen, Fanglan and Zhang, Lei and Ji, Taoran and Fu, Kaiqun and Zhao, Liang and Chen, Feng and Wu, Lingfei and Aggarwal, Charu and Lu, Chang-Tien},
    title = {弥合空间域和谱域之间的差距:图神经网络的统一框架},
    year = {2023},
    issue_date = {2024年5月},
    publisher = {美国计算机协会},
    address = {纽约,纽约,美国},
    volume = {56},
    number = {5},
    issn = {0360-0300},
    url = {https://doi.org/10.1145/3627816},
    doi = {10.1145/3627816},
    journal = {ACM计算调查},
    month = {12月},
    articleno = {126},
    numpages = {42},
    keywords = {近似理论, 谱图理论, 深度学习, 图神经网络, 图学习}
}

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多