基于模式感知的黎曼图神经网络及生成对比学习
内容提要
本文综述黎曼流形图神经网络研究，涵盖曲率图生成对抗网络（以连续黎曼流形逼近离散图结构并生成负样本，保留拓扑特性、应对异质性）、自监督混合曲率GNN、自适应黎曼连续学习算法RieGrace、洛伦兹图卷积网络LGCN，以及测地线卷积网络和Motif-CNN等，实验均优于现有方法。
延伸解读
曲率图生成对抗网络的创新点
文章提出的曲率图生成对抗网络（Curvature GAN）利用连续黎曼流形逼近离散图结构，并从被包裹的正态分布中生成负样本，从而更好地保留拓扑特性。其通过具有不同拓扑特性的局部结构的叶齐曲率来应对拓扑异质性问题，实验表明在多项任务上优于现有最先进方法，且具有稳健性。
自监督混合曲率与连续学习
SelfMGNN通过多个黎曼组件空间的笛卡尔积构建混合曲率空间，并设计分层注意机制融合表示，以解决图结构复杂性和标签依赖问题。RieGrace则设计自适应黎曼GCN和无标签洛伦兹蒸馏方法，实现在曲率变化的黎曼空间中连续学习，实验优于欧几里得空间和带标签方法，并研究了曲率随图序列的变化。
洛伦兹图卷积网络与形状卷积
LGCN学习超半球几何中的节点特征，在6个数据集上实验表明，相比现有超半球几何图卷积网络，LGCN在学习类似树形图的表示时畸变更低，且部分方法性能可通过其定义的图操作改进。GCNN使用局部极坐标系中的测地线系统提取补丁，学习不变的形状特征，在形状描述、检索和匹配任务上达到最先进性能。
Motif-CNN与MotifNet的异构处理
Motif-CNN能够处理具有不规则连接结构的图形，特别是异构图形，实现半监督节点分类，在真实社交网络和多个异构图形数据集上优于现有图卷积神经网络。MotifNet作为基于本地图形的卷积神经网络，旨在解决传统谱CNN对无向图假设的限制，并在真实数据上取得较好效果。
Q&A
Curvature Graph Generative Adversarial Networks 是如何处理图的拓扑异质性的？
该方法利用具有不同拓扑特性的局部结构的叶齐曲率来应对拓扑异质性问题，并通过连续的黎曼几何流形逼近离散数据结构，从而更好地保留拓扑特性。
SelfMGNN 是如何构建混合曲率空间的？
SelfMGNN 通过多个黎曼组件空间的笛卡尔积构建混合曲率空间，并设计分层注意机制来学习和融合这些组件空间中的表示。
RieGrace 算法在连续学习图数据时有什么优势？
RieGrace 是一种自监督的自适应黎曼空间图连续学习算法，它通过自适应黎曼GCN和无需标签的洛伦兹蒸馏方法，能够在可适应曲率变化的黎曼空间中连续学习来自连续出现的图，并且实验结果表明其优于基于欧几里得空间和带标签的方法。
LGCN 在学习树形图表示时有什么特点？
LGCN 是一种超半球几何图卷积神经网络，用于学习超半球几何中的节点特征。实验表明，相比于现有的超半球几何图卷积神经网络方法，LGCN 在学习类似树形的图的表示时存在更低的畸变，并且有些超半球几何图卷积神经网络的性能使用本文所定义的图操作可以得到改进。
测地线卷积网络（GCNN）主要用于什么任务？
GCNN 是一种新型神经网络，可用于处理形状相关的任务，例如形状描述、检索以及匹配。它使用局部极坐标系中的局部测地线系统提取“补丁”，通过一系列过滤器和线性非线性算子来学习不变的形状特征，从而获得最先进的性能。
Motif-CNN 能处理什么样的图结构？
Motif-CNN 能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显著优势。
