Spectral Graph Neural Networks

分析 Weight Decay 与 (流行) Embedding Magnitude 的关系, 并提出了 Weight Decay 的高效替代

基于 Chebyshev 多项式, 多项式通过插值得到 (正主是 ChebNetII)

理论分析了低频与流行度的关系, 探究了训练过程中的变化, 并提出了一种谱正则化工具

可学习的 Layer weights (per node)

JacobiConv 在协同过滤上的应用, 对于频谱的定量分析比较有意思

可学习的最优多项式基

基于谱分解的协同过滤, 蹭了扩散模型的热度

基于谱分解的协同过滤

从 Dirichlet energy 角度理解 GNN 的 smoothing 和 sharpening

Jacobi 多项式为基础的 Spectral GNN

基于谱分解的协同过滤, 同时强调高频的重要性

分析 ChebyNet 的训练问题并改进

可学习的 Layer weights (per node)

协同过滤, 强调低频的重要性

重燃基于谱分解的协同过滤, 强调低频的重要性

L2 的图正则化推广到 Elastic 正则

统一的图则化框架

Label propagation

统一的图则化框架

协同过滤上的图神经网络的简化

可学习 Layer weights

图神经网络的简化

PageRank for GCN

GCN 开山之作

Chebyshev 多项式为基础的 Spectral GNN

图正则化用于去噪

引入图上卷积的开山之作

图正则化用于半监督学习