该研究将卷积神经网络推广到高维不规则图像中,通过谱图理论提出了一种卷积滤波器设计方法,在保持线性和常数学习复杂度的同时,实现了对任意图结构的卷积作用,成功在图像识别领域实现了局部、平稳、组合特征的学习。
Jun, 2016
本文探讨了如何将卷积神经网络推广到更广泛的定义域上。作者提出了两种构造方法,分别基于分层聚类和图拉普拉斯谱。结果表明,在低维图形上,可以实现独立于输入尺寸的卷积层学习,从而实现高效的深度网络结构。
Dec, 2013
本研究介绍了一种卷积神经网络的泛化方法,使其适用于图形结构数据,使用随机游走揭示输入数据内部关系,通过学习底层图将其应用于许多标准分类或回归问题。
Apr, 2017
本论文提出了一种新的结构化图卷积算子,可以复制二维卷积权重,将传统 CNN 训练的能力转移到新的图网络,从而可以处理非矩形数据,不需要在大型数据集上进行领域特定的训练。作者还展示了将预训练图像网络应用于分割、风格化和深度预测等多种数据形式,并得出了相应的实验结果。
Jul, 2022
这篇论文提出了一个以卷积神经网络为基础的统一框架,以推广 CNN 的应用领域到非欧几里得结构的数据,如图形和流形,并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。
Nov, 2016
该论文提出了两种结合长短时记忆网络和图卷积网络的方法以联合利用结构化数据和时间信息来管理动态图,通过实验结果证明了这种方法的优越性。
本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用,证明该方法在文档和分子分类问题方面具有国际领先水平。
Mar, 2017
本研究提出了一种可扩展的半监督学习方法,该方法基于一种直接作用于图形的高效卷积神经网络变体,通过局部一阶逼近实现了谱图卷积的选择,其模型在节点数量上线性地扩展并学习编码局部图结构和节点特征的隐藏层表示,在引用网络和知识图数据集上的若干实验中,证明了我们的方法的明显优越性。
Sep, 2016
本文研究神经网络在解决大规模复杂图形结构问题方面的性能瓶颈和深层网络优势的不足,通过对现有几种图卷积网络的分析,提出了两种可用于深度扩展的新型网络结构,以更好地利用多尺度信息来进行节点分类。
Jun, 2019
本文介绍了一种新的基于谱域卷积架构的图像深度学习模型,其中核心成分是一类新的参数有理复合函数(Cayley 多项式),允许在图像上高效地计算频带感兴趣的谱滤波器,具有分布在空间中的丰富的谱滤波器,线性地扩展到稀疏连接的图像的输入数据的规模,并且可以处理不同构造的拉普拉斯算子等。通过应用于谱图像分类、社区检测、顶点分类和矩阵完成任务等广泛实验结果表明,我们的方法比其他谱域卷积架构具有更好的性能。
May, 2017