01
在圖卷積網路中，假設圖G是針對某些觀察噪聲產生的。論文嘗試新增隨機擾動 ΔG並改進泛化。基於量子資訊幾何，可以對ΔG的尺度進行定量測量。論文儘可能在最小的預算下最大化置換，同時基於擾動的G+ΔG最小化損失。論文提出的模型在合理的計算開銷下，改進了半監督節點分類圖卷積網路。
https://arxiv.org/abs/1903.04154
02
幾何深度學習為醫學領域中的成像和非成像模態的整合提供了原則性和通用性方式。特別是圖卷積神經網路（GCN）已經通過利用大型多模態資料集在疾病預測，分割和矩陣完成等各種問題上進行了探索。在本文中介紹了一種新的譜域結構，用於疾病預測。其新穎性在於定義幾何“初始模組”，它們能夠在卷積過程中捕獲圖內和圖間的結構異構性。
論文連結：
https://arxiv.org/abs/1903.04233
03
本文提出了一種用於GCN的梯度歸因分析方法——NAM（節點歸因方法），可以獲得目標節點及其鄰居節點對GCN輸出的貢獻。我們還提出了基於貢獻值的節點重要性視覺化（NIV）方法，來視覺化GCN的目標節點及其鄰居節點。該文使用擾動分析方法來驗證基於引文網路資料集的NAM的影響。實驗結果表明，NAM可以很好地瞭解每個節點對節點分類預測的貢獻。
論文連結：
https://arxiv.org/abs/1903.03768
04
在本文中，展示瞭如何使用簡單的架構設計GNN來解決圖著色的基本組合問題。論文中展示的模型在隨機例項訓練時達到了高精度，能夠歸納出與訓練時不同的圖形分佈。此外，論文還展示了頂點嵌入如何在多維空間中聚類以產生建設性的解決方案，即使我們的模型僅被訓練為二元分類器。
論文連結：
https://arxiv.org/abs/1903.04598
05
該論文介紹了LEAP，一種可訓練的通用框架，用於根據圖的區域性結構，拓撲和標籤預測邊的存在和屬性。LEAP框架基於連線圖中節點的路徑的探索和機器學習聚合。我們提供了幾種通過訓練路徑聚合器來執行聚合階段的方法，並且通過將其應用於社交網路中的連結和使用者評級的預測來證明框架的靈活性和通用性。 本文在兩個問題上驗證了LEAP框架：連結預測和使用者評級預測。
論文連結：
https://arxiv.org/abs/1903.04613