本文研究基于图信号处理和卷积定理的图卷积神经网络方法,利用图傅里叶变换和谱乘法构建卷积和池化层,使用代数多重网格方法降低图分辨率,以深度学习方式解决机器学习中的空间不规则问题。实验结果表明,该方法在手写数字分类问题上的成绩优于传统 CNN 方法。
Sep, 2016
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
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
本文介绍了一种基于图的 CNN 架构,采用节点变化的 GF 代替传统卷积,通过局部操作提取不同的本地特征,以解决在不规则域中信号处理的问题,并在综合实验中进行了测试。
Oct, 2017
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
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
本文提出两类代理函数,用于卷积算子内积运算的通用化,第一种是正定核函数,第二种是基于距离函数定义的相似性测量。通过在 MNIST 数据集上的实验表明,基于加权 L1/L2 距离的广义 CNN 可以实现普通 CNN 的性能,证明了卷积神经网络通用化的可行性。
Jul, 2017
通过使用可学习的图卷积层 (LGCL) 和子图训练方法,本论文解决了卷积神经网络在处理通用图像数据时的困难,提高了基于节点分类任务的准确率和效率。
Aug, 2018
本文提出了一种新的方式将图形表示为多通道图像结构,并使用普通 2D 卷积神经网络来处理,该方法比现有图形核和图形 CNN 模型更准确且时间复杂度更小,适用于多种真实数据集。
本文旨在利用图形核函数解决图形数据处理问题,通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习,最终在十个基准数据集的七个中达到了优异的表现。