我们很高兴地宣布，一篇题为《简单而有效的无梯度图卷积网络》的开创性会议论文将于2025年9月左右在《International Joint Conference on Neural Networks》上发表。论文由本院教师朱禹林以第一作者身份，与香港理工大学合作完成：
- Yulin Zhu, Xing Ai, Qimai Li, Xiaoming Wu, Wai-Lun Lo, Kai Zhou. (2025, June 30th-July 5th ). Simple yet Effective Gradient-Free Graph Convolutional Networks. International Joint Conference on Neural Networks, Rome, Italy.
论文摘要
近年来，线性化图神经网络（GNN）在图表示学习领域备受关注。与非线性图神经网络（GNN）模型相比，线性化 GNN 更加高效，且在诸如节点分类等典型下游任务中能取得相当的性能。尽管一些线性化 GNN 变体旨在缓解“过度平滑”问题，但实证研究表明，它们在某种程度上仍受此问题困扰。在本文中，我们将过度平滑与梯度消失现象联系起来，并设计了一个无梯度训练框架，以实现更高效、更有效的线性化 GNN，从而显著克服过度平滑问题并增强模型的泛化能力。实验结果表明，我们的方法在节点分类任务中取得了更好且更稳定的性能，且在不同深度下训练时间大幅缩短。
研究团队成员
香港珠海学院
- 朱禹林博士，资讯科学系助理教授
- 卢葦麟教授，资讯科学系正教授，系主任，质量保证处处长
香港理工大学
- 艾星，香港理工大学博士生
- 李其迈，香港理工大学博士，现任集微基金的量化交易工程师
- 吴晓明，香港理工大学数据科学及人工智能学系副教授
- 周凯，香港理工大学计算科学系助理教授
部分论文照片
