基于列的网络集体分类
本论文提出了一种深度比较网络,它由嵌入和关系模块组成,学习同步基于不同抽象级别的多个非线性距离度量,从而实现了优异的 few-shot 图像分类性能。
Nov, 2018
本文提出一种基于表格卷积网络的关系表格表示学习方法,旨在有效获取短尾信息,充实知识图谱,并考虑从不同角度聚合多类型隐含连接的单元格内和跨表的语境信息,实验表明本方法在真实 Web 数据集上可以有效预测列类型和对列关系,大幅提升了预测准确率。
Feb, 2021
本文提出了一种新颖的多列互学习策略(McML)以改善人群计数中规模表示的不变性,指出现有的多列网络存在显著冗余参数的问题,且采用异步参数更新过程的 McML 可以更有效地减少参数的冗余性并改善泛化能力,实验证明该方法在各项挑战性基准上显著提高了原有的多列网络,同时优于其他最先进的方法。
Sep, 2019
该研究针对深度神经网络在社交网络分析等结构化领域表现不佳的问题,提出了一种新方法,即基于关系随机游走的特征和参数共享的关系神经网络。实验证明,该方法在多个标准关系数据集上的表现优于多种神经网络和统计关系模型。
Aug, 2019
深度学习中一个日益成熟的研究领域是开发能够学习关系特征的显式表示的架构。本文提出了一个叫做 “关系卷积网络” 的架构框架,重点研究了学习分层关系表示的问题,并通过一系列实验展示了如何利用关系卷积网络提供有效的建模方法来处理具有层次结构的关系任务。
Oct, 2023
本篇论文提出了基于人工引导学习的知识增强列网络(Knowledge-augmented Column Networks),这是一个关系性深度学习框架,可以在数据稀疏和受到系统噪声的情况下利用人类的知识来学习更好的模型。
May, 2019
本文介绍了一种名为 Broadcasting Convolutional Network (BCN) 的卷积网络模块,它从整个图像中提取关键对象特征,识别它们与局部特征的关系,并将其广播到整个特征图。同时,本文提出了一种名为 Multi-Relational Network (multiRN) 的多关系卷积网络,并利用 BCN 模块增强了现有关系网络 (RN),实现了良好的效果,在关系推理问题中取得了最先进的性能。
Dec, 2017
本文介绍了一种新的 Relational neural networks 模型,通过在关系逻辑回归中加入隐藏层,从而同时考虑了物体和关系,使用遍历学习算法进行模型训练,并证明了 RelNNs 是一种有效的关系学习模型。
Dec, 2017
我们提出了一种新的神经网络设计范式 RevCol,该模型在多个计算机视觉任务中取得了很好的表现,如图像分类和目标检测,并可以与 transformers 或其他神经网络结构相结合改善性能。
Dec, 2022
本文提出了一种基于循环神经网络的简单框架,并将其与基于卷积神经网络的模型进行比较。该模型在处理句子关系分类问题时具有学习长距离依赖关系模式的优点,并在使用 MIMLRE 数据集的实验中表现出优异的性能。
Aug, 2015