Dec, 2016

利用图卷积循环神经网络进行结构化序列建模

PDF
TL;DR本文介绍了图卷积循环网络（GCRN），这是一种深度学习模型，能够预测结构化数据序列。GCRN 是经典递归神经网络（RNN）在任意图结构数据上的泛化。该模型将图上的卷积神经网络 (CNN) 与 RNN 相结合，以找出动态模式和空间结构，并将其应用于 MNIST 数据预测和 Penn Treebank 数据集的自然语言建模。实验表明，同时利用数据的图空间和动态信息可以提高精度和学习速度。
graph convolutional recurrent networkstructured sequencesconvolutional neural networksspatial structuresdynamic patterns
发现论文，激发创造
  • 门控图卷积循环神经网络

    本文提出了一种专门针对地震震中和天气预测等问题的图形卷积递归神经网络 (GCRNN) 架构，使用卷积滤波器组保持可训练参数的数量与图形尺寸和时间序列无关，并提出了 Gated GCRNNs，一种类似于 LSTM 的时间门控变体。在使用合成和实际数据进行的实验中，与 GNN 和另一种图形递归架构相比，GCRNN 显着提高了性能，同时使用的参数数量要少得多。

    Mar, 2019

  • 用于交通预测的动态图卷积循环神经网络：基准和解决方案

    文章提出了一种名为 DGCRN 的交通预测框架，该框架利用动态图卷积和循环神经网络来建模道路网络上节点之间的动态关系，并在每个时间步骤生成动态图来预测交通流量。经过实验证明，该方法的效果优于 15 个基线模型。

    Apr, 2021

  • 密集连接图卷积网络用于图到序列学习

    本研究通过图卷积网络（GCN）对图进行编码，引入了一种新的密集连接策略，提出了一种新型的密集连通图卷积网络（DCGCN）来集成本地和非本地特征，以更好地学习图的结构表示，并在 AMR-to-text 生成和基于语法的神经机器翻译上明显优于现有的神经模型。

    Aug, 2019

  • 多图卷积网络用于姿态预测

    本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法，该方法结合自然结构和序列注意力，同时捕获空间和时间信息，并在人体运动预测的基准数据集上表现出比现有方法更好的效果。

    Apr, 2023

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019

  • 关系图卷积网络：深入探讨

    本文介绍了关系图卷积网络 (RGCN) 的复现，通过使用基准知识图谱数据集上的节点分类和链接预测任务，验证了 RGCN 的正确性。研究人员还介绍了两个更加参数有效的 RGCN 配置。

    Jul, 2021

  • 深度卷积图网络的分层视频帧序列表示

    本文提出了一种基于深度卷积图神经网络的视频分类方法，利用视频的分层结构特性通过图网络对视频帧序列进行多级特征提取，获得反映事件语义的视频表示，其在 YouTube-8M 大规模视频理解数据集上的表现优于基于 RNN 的基准模型。

    Jun, 2019

  • MegaCRN: 基于元图卷积循环神经网络的时空建模

    本研究提出了一种新颖的基于 Meta-Graph 学习的图结构学习机制，应用于时空数据的图卷积循环网络中，成功地解决了非平稳现象问题，并在两个基准数据集（METR-LA 和 PEMS-BAY）和一个包含各种非平稳现象的大规模时空数据集上的实验中获得了优异的预测效果。

    Dec, 2022

  • 卷积神经网络在图结构数据上的推广

    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

  • 图神经网络和时间序列作为定向图的质量识别

    本文研究了图神经网络在时间序列分析中的应用，将时间序列视为有向图，利用图神经网络的结构探索时间依赖性，并开发了两个几何深度学习模型，一个用于有监督分类，另一个用于信号重构。将这些模型应用于质量识别问题。

    Oct, 2023