Jun, 2016

快速局部谱滤波的图卷积神经网络

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 图上的谱网络和局部连接网络

    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

  • 学习用于图形的卷积神经网络

    该研究提出了一种学习卷积神经网络用于任意图形的框架，以提取本地连接区域。使用公认的基准数据集，我们证明了学习特征表示与最先进的图形核心竞争，并且计算效率很高。

    May, 2016

  • 基于图的卷积神经网络

    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

  • 具有图卷积神经网络的稳健空间滤波

    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

  • 图卷积神经网络中的动态边缘滤波器

    本文提出了一种基于图卷积算子的深度神经网络模型，通过条件化过滤权值，在任意图上实现图分类，并在点云分类任务中创造新的最优表现

    Apr, 2017

  • 使用二维卷积神经网络进行图形分类

    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。

    Jul, 2017

  • 当工作至关重要：将经典网络结构转换为图卷积神经网络

    该论文研究了如何将经典的ResNet，Inception和DenseNet等卷积神经网络结构应用于图形识别问题，并在几个公共图形数据集上对这些不同网络结构的性能进行了全面评估。

    Jul, 2018

  • 关于图卷积网络中的滤波器尺寸

    本文介绍一种基于图卷积的滤波器方法，通过引入一个超参数为基本组件注入矩阵滤波器，用于提高深度图卷积神经网络预测性能。

    Nov, 2018

  • 谱图网络可迁移性的实验研究

    基于Laplacian算子，谱图卷积神经网络是一种用于图数据的卷积网络，并已被证明可以稳定地在不同大小和连接性的图之间传输谱滤波器，在图回归、图分类和节点分类等任务中表现出良好的性能。

    Dec, 2020

  • 图神经网络中谱效应的新视角

    本文通过对GNNs的频谱特征及其对GNN性能的影响的研究，提出了去相关设计架构，旨在消除不光滑频谱引起的相关问题，允许更深的体系结构，更强的过滤器，并最终提升学习图表征的性能。

    Dec, 2021