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

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多