使用图卷积网络进行距离度量学习：应用于功能性脑网络

Mar, 2017

使用图卷积网络进行距离度量学习：应用于功能性脑网络

Distance Metric Learning using Graph Convolutional Networks: Application to Functional Brain Networks

Sofia Ira Ktena, Sarah Parisot, Enzo Ferrante, Martin Rajchl, Matthew Lee...

TL;DR该论文提出了一种新的图相似度度量方法，利用卷积神经网络和谱图理论概念，在不规则图上执行操作，通过对临床应用量身定制的图相似度度量方法，将 k-nn 分类器的性能提高了 11.9％。

Abstract

Evaluating similarity between graphs is of major importance in several computer vision and pattern recognition problems, where graph representations are often used to model objects or interactions between elements. The choice of a distance or similarity metric is, however, not trivial and can be highly dependent on the application at hand. In this work, we p

发现论文，激发创造

卷积集匹配用于图形相似度

使用卷积神经网络在三个真实图形数据集上，展示了 GSimCNN 在计算结点间相似度方面的卓越性能。

Oct, 2018

深度图相似性学习：综述

本文对深度图相似性学习的现有文献进行了综述和分类，讨论了方法和应用的挑战和未来方向。

Dec, 2019

多尺度卷积集匹配学习的高效图相似度计算

本文介绍了 GraphSim 模型，该模型从直接匹配两组节点嵌入的角度解决了图相似性计算问题，获得了在四个真实世界图数据集上的最先进性能。

Sep, 2018

学习非度量视觉相似度用于图像检索

本文提出通过神经网络建立非度量相似度函数，从而学习图像的相似度度量与提高基于实例的图像检索表现，实验结果表明该方法在一些标准的图像检索数据集上表现出色。

Sep, 2017

神经表征的广义形状度量

为了理解生物和人工神经网络的操作，研究者们需要一个标准化的工具集来量化其结构等因素对神经表征的影响，这篇论文提出了一族量化表征不同神经网络之间相似性的度量空间，利用这个框架使得神经网络表征可以整合进任意的机器学习方法中，然后利用大规模生物和深度学习数据集来验证这些方法，最终找出了神经表征之间与结构和性能之间的关系。

Oct, 2021

快速局部谱滤波的图卷积神经网络

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

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

基于潜在图学习的疾病预测

本文通过提出新的动态本地化图剪枝方法，在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性，由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。

Mar, 2020

基于谱图卷积的基因型疾病预测

本文介绍了在人群的脑分析中，将图卷积网络（GCN）应用于包括成像和非成像数据的稀疏图中，以推断未标记节点的类别，并在分类任务中整合上下文信息的潜力。该方法在 ABIDE 和 ADNI 数据库上取得了良好的性能。

Mar, 2017

超越卷积的优化：利用端到端度量学习推广空间关系

本文提出了一种基于距离度量学习的端到端方法来推广空间关系，通过训练神经网络将对象的 3D 点云转换为捕捉所述空间关系相似性的度量空间，使用梯度优化来计算物体姿态来模仿任意目标关系，实验结果表明该方法使机器人能够在未知对象上推广空间关系。

Jul, 2017