本文提出一种贝叶斯图卷积神经网络的框架,用于在图结构数据上进行节点分类和矩阵补全任务,并采用一种迭代学习算法来提高模型性能,并在试验中展示了当训练数据少时,该方法提供更好的性能。
Nov, 2018
本文提出了一个基于图结构的半监督学习的生成框架,通过逼近节点特征,标签和图结构的联合分布,使用可扩展的变分推断技术来推断缺失的标签,并在基准数据集上进行了全面的实验,结果表明该方法在大多数设置中优于现有的最先进模型。
May, 2019
提出了一种基于图滤波器的半监督学习框架,能够将数据特征作为图信号注入图相似性中,并使用低通滤波器从图信号中抽取有用的数据表示,从而实现标签高效的半监督学习,同时能够改善现有的图卷积网络和标签传播方法的建模能力和减少模型复杂度。
Jan, 2019
本文介绍了如何将图神经网络中的归纳偏置引入高斯过程中,以优化其在图结构数据上的预测表现,并得出了一些有趣的成员和提出了一种适用于大规模数据后验推断的协方差矩阵的近似方法,通过这些基于图的协方差矩阵,与相应的图神经网络相比,具有相似的分类和回归性能以及计算时间上的优势。
Feb, 2023
通过对高斯随机场学习和泊松学习算法进行改进,我们在图形半监督学习领域提高了对少标签大数据集的分类准确性,并创建了更强大的算法,实验结果证明了这些方法在不平衡数据集环境下优于传统的图形半监督技术。
Jun, 2024
本文提出了一种名为 GPNN 的图划分神经网络,通过在小子图中进行本地传播和在子图之间进行全局传播来处理极大的图形。经过大量实验,实验结果表明,GPNN 在图形半监督分类任务中表现优异或与现有算法相当,且使用更少的传播步骤也能够达到标准 GNN 的性能。
Mar, 2018
这篇研究提出了使用带有随机输入的判别组件来增加噪声灵活性,实现模型的半监督贝叶斯主动学习,并且通过全贝叶斯判别组件实现参数值不确定性的估计。
Jun, 2017
提出了一种新的贝叶斯非参数方法,以在非欧几里德域上学习平移不变的关系。 该方法可应用于机器学习问题,其中输入观测值是具有普通图形域的函数。 并将图卷积高斯过程应用于图像和三角形网格等领域,表明了其多功能性和有效性,与现有方法相比具有优势,尽管是相对简单的模型。
本文研究高斯过程网络 (GPNs) 的贝叶斯结构学习问题,提出基于蒙特卡罗和马尔可夫链蒙特卡罗方法的网络结构后验分布抽样算法,并在模拟实验中证明该方法在恢复网络图形结构和提供准确后验分布方面优于现有算法。
Jun, 2023
本研究提出了一种利用多个数据集学习半监督学习图的算法,最终实现了在已知图或者未知图的情况下提高计算效率。