图顶点覆盖问题决策神经网络模型

图的顶点覆盖问胚是一个困难的NP-完全问题,并且有许多良好的应用.文中将在已有的应用Hopfield神经网络模型来求解图的顶点覆盖问题的基础上,将人脑决策思维的思想加入其中,建立称为图顶点覆盖问题决策神经网络模型.该方法不仅简化了过去此领域的工作,而且通过增加决策约束项,加速了网络的运行速度.     

图同构的判定研究

图论中的图同构判定问题仍是一个未能圆满解决的重要问题。文章从图的邻接矩阵的行、列置换出发，得到能加 快判定两个图是否同构的一系列性质。在几个性质基础上，提出了一种判定两个图是否同构的搜索算法。接着给出两个 实例对该算法加以说明和演示，以便更好地理解这些性质和算法。最后对文章作简要的总结并指出进一步的研究方向。     

学习顺序决策过程的神经网络

本文提出一种构造神经网络进行模式分类的新方法,这种方法具有以下特点：（１）着重模式特征排序中的重要特征；（２）用度量信息代替误差函数．（３）自动形成类似于各层感知机的神经网络结构,决策依赖于已学习属性的树结构．本方法可用于自组织结构和大规模问题求解．     

一个实用的图同构判定算法

本文就理论上尚未发现多项式时间的图（无向图）的同构判定算法,提出并分析了一个实用的改进算法,还为此算法提出了一个更有效的随机版本。     

TWD-GNN：基于三支决策的图神经网络推荐方法

随着网络规模的不断扩大,对复杂图结构进行建模是推荐任务面临的一大挑战。这些复杂信息之间易存在冲突,往往会直接影响推荐结果。为此,提出了基于三支决策的图神经网络推荐方法（TWD-GNN）。引入三支决策理论对数据集进行划分为正域、边界域和负域,在边界域的基础上融合辅助信息,梳理局部冲突。采用图神经网络挖掘有效信息,重构网络并预测评分。实验结果表明,TWD-GNN算法较传统的协同过滤推荐算法能更准确地反应用户偏好,提高了推荐质量。     

神经网络挖掘模型在水电评标决策支持中的应用

水电项目评标决策支持系统克服传统评标主观性和不确定性的弊端,充分利用历史评标数据,为水电工程项目中的评标环节提供决策支持。提出了基于神经网络算法的数据挖掘模型,分析和研究了模型特点及建立过程,并将其应用于水电工程项目评标决策支持系统中,结合水电项目招投标的实际业务需要,实现了一个公正合理的水电项目评标决策支持系统。     

建筑施工设施定位BP神经网络决策

针对城市建筑施工中普遍狭小场地的现场管理问题，应用复合智能技术基础，对建筑施工现场管理的智能决策进行了研究，并着重探讨了其中关于施工设施定位的BP神经网络决策以及相关技术。     

一个基于神经网络的智能评价决策专家系统

本文在研究现代智能评价决策专家系统和神经网络的基础上，提出了一种基于神经网络的智能评价决策专家系统，它既能保持专家系统原有特色，又兼有神经网络特点，可以同时获得问题领域中的规范性知识和经验性知识，在实际应用中取得了令人满意的结果。     

基于图神经网络的多维度池化图分类

目前很多处理图数据的图神经网络方法被提出,然而大多数研究侧重于对特征聚合的卷积层的研究而不是进行下采样的池化层.此外,形成聚类簇的池化方式需要额外计算分配矩阵;节点得分的池化方式排名方式单一.为解决上述问题,提高图分类任务的准确性,本文提出了一种新的基于多维度信息的图池化算子MDPool.该模型使用节点特征信息以及图拓扑结构信息,获取不同维度下的节点得分.使用注意力机制归纳不同维度下的得分权重,生成更为健壮的节点排名,基于节点排名自适应选择节点集合生成诱导子图.提出的MDPool可以集成到多种的图神经网络结构,将MDPool池化算子与图神经网络卷积层堆叠形成编码解码模型EDMDPool.在4个公开数据集的图分类任务中, EDMDPool均高于现有基线模型.     

图同构中的一类顶点细分方法

提出一种顶点细分方法.基于顶点之间具有一定长度的路径数等信息,定义了一类顶点不变函数.将该方法与已有的一些顶点细分方法进行了比较.分析表明,基于路径数的顶点不变函数的细分效果,至少不差于基于顶点的度、距离等方法;而一些实例则表明前者要优于后者.基于路径数的顶点分类方法可以有效地用于图同构算法,能够降低所需比较的顶点数,达到快速搜索的效果.     

Improving Neural Networks for Mechanism Kinematic Chain Isomorphism Identification

Detection of isomorphism among kinematic chains is essential in mechanical design, but difficult and computationally expensive. It has been shown that both traditional methods and previously presented neural networks still have a lot to be desired in aspects such as simplifying procedure of identification and adapting automatic computation. Therefore, a new algorithm based on a competitive Hopfield network is developed for automatic computation in the kinematic chain isomorphism problem. The neural approach provides directly interpretable solutions and does not demand tuning of parameters. We have tested the algorithm by solving problems reported in the recent mechanical literature. Simulation results show the effectiveness of the network that rapidly identifies isomorphic kinematic chains.     

图神经网络在复杂图挖掘上的研究进展

图神经网络对非欧式空间数据建立了深度学习框架,相比传统网络表示学习模型,它对图结构能够实施更加深层的信息聚合操作.近年来,图神经网络完成了向复杂图结构的迁移,诞生了一系列基于复杂图的图神经网络模型.然而,现有综述文章缺乏对复杂图神经网络全面、系统的归纳和总结工作.将复杂图分为异质图、动态图和超图3种类型.将异质图神经网络按照信息聚合方式划分为关系类型感知和元路径感知两大类,在此基础上,分别介绍普通异质图和知识图谱.将动态图神经网络按照处理时序信息的方式划分成基于循环神经网络、基于自编码器以及时空图神经网络三大类.将超图神经网络按照是否将超图展开成成对图划分为展开型和非展开型两大类,进一步按照展开方式将展开型划分成星形展开、团式展开和线形展开3种类型.详细阐述了每种算法的核心思想,比较了不同算法间的优缺点,系统列举了各类复杂图神经网络的关键算法、(交叉)应用领域和常用数据集,并对未来可能的研究方向进行了展望.     

关于图同构复杂性的分析

图同构问题是指对两个图寻找顶点之间的一个一一映射,使得两图的边在该映射下也保持对应关系,该问题得到许多研究者的关注。在一些论文中对图同构问题的复杂性给出了错误的描述,有的给出了多项式时间算法。本文对此进行了讨论,并给出了一些反例来证明其算法的错误。根据图同构国内外目前的研究进展,图同构既未被归入P问题,也未被归入NPC问题,是一个尚未解决的问题,有待进一步研究。     

图神经网络会话推荐系统综述

会话推荐立足于目标用户的当前会话,根据项目类别、跨会话的上下文信息、多种用户行为等辅助信息学习项目间的依赖关系,从而捕捉用户的长短期偏好进行个性化推荐。近年来,流行的深度学习系列方法已经成为会话型推荐系统这个研究热点的前沿方法,尤其是图神经网络的引入,使会话推荐系统的性能得到了进一步提升。鉴于此,该综述从问题定义与会话推荐因素出发,从构图方面进行分析;将相关工作分为基于图卷积网络、门控图神经网络、图注意力网络和其他图神经网络架构的会话推荐系统,并进行归纳与对比;对各工作实验部分中的损失函数类别、所选用的数据集和模型性能评估指标三方面进行深入分析。重点从算法原理和性能分析两方面对各模型框架进行评估和梳理,旨在对近五年基于图神经网络的会话推荐系统相关工作进行评述、总结与展望。     

一种求解TSP问题的新型人工神经网络方法

该文基于输出一阈值耦合神经网络的自动波现象,提出了一种用自动波方法求解TSP问题的方法。该方法具有鲁棒性和可靠性好、大规模并行计算等特点,可用于求解对称、非对称赋权图的TSP问题。与目前其它求解TSP问题的方法相比,自动波方法执行更为简单,不需要太多人为的选择参数等问题,且不存在局部极小点的问题,求得的解全部是最优解。其所需的计算量(迭代次数)主要取决于最短回路的长度,而与图的复杂程度、所存在的通路总数关系不大。最后文中给出了TSP求解的例子。     

神经网络求解偏微分方程的分布式算法

本文提出了一种人工神经网络(Artificial Neural Networks,即ANN)求解偏微分方程的分布式的算法。文章介绍了这种算法的必要性,以分布式的人工神经网络完成了对热传导方程的求解为例,验证了这种算法的可行性,并给出了不同条件下的实验结果。     

面向图卷积神经网络鲁棒防御方法

近来对图卷积神经网络（GCNs）的研究及其应用日益成熟,虽然它的性能已经达到很高的水准,但GCNs在受到对抗攻击时模型鲁棒性较差。现有的防御方法大都基于启发式经验算法,没有考虑GCNs结构脆弱的原因。最近,已有研究表明GCNs脆弱的原因是非鲁棒的聚合函数。本文从崩溃点和影响函数抗差性角度出发,分析平尾均值函数和均值聚合函数二者的鲁棒性。平尾均值相较于均值函数,其崩溃点更高。平尾均值的影响函数跳跃有界,可抵抗异常值;而均值函数的影响函数无界,对异常值十分敏感。随后在GCNs框架的基础上,通过将图卷积算子中的聚合函数更换为更为鲁棒的平尾均值,提出一种改进的鲁棒防御方法WinsorisedGCN。最后采用Nettack对抗攻击方法研究分析所提出的模型在不同扰动代价下的鲁棒性,通过准确率和分类裕度评价指标对模型性能进行评估。实验结果表明,所提出的防御方案相较于其他基准模型,能够在保证模型准确率的前提下,有效提高模型在对抗攻击下的鲁棒性。