本文研究机器学习领域的图半监督学习,提出了基于图卷积网络的深度学习方法,解决了图卷积网络机制不清晰及需要大量标注数据的问题,并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证,研究结果具有实际应用价值。
Jan, 2018
本文提出了一种新颖的基于图卷积网络的 SSL 算法,通过利用数据相似性和图结构来丰富监督信号,从而改善了现有方法的性能。该算法通过设计半监督对比损失和图生成损失提取潜在的关系,并在各种实际数据集上取得了显著的分类性能,与现有最先进的方法进行了比较。
Sep, 2020
我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN,并将其应用于半监督节点分类任务,在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率,同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN,并设计了基于聚类图卷积神经网络的半监督节点分类算法,使 GCN 能够处理大规模图数据并提高其应用价值,在 PPI 数据集(超过 50,000 个节点)和 Reddit 数据集(超过 200,000 个节点)上也表现良好。
Apr, 2024
本文提出一种基于图卷积神经网络的半监督图像分类方法,采用不同类型的流形学习策略,通过无监督学习的方式实现了对于有限标注数据的图像分类任务,实验结果表明该方法优于传统和现有技术,并且运行时间高效。
Apr, 2023
本文通过在统一的优化框架中理论讨论了传统浅层学习方法与基于图卷积网络(GCNs)的关系,并提出了三种简单但强大的图卷积方法,包括有监督方法 OGC 以及两种无监督方法 GGC 和其多尺度版本 GGCM,最后通过大量实验证明了我们方法的有效性。
Sep, 2023
本研究提出了一种新的深层分层图卷积网络 (H-GCN),通过聚合结构相似的节点形成超节点,然后再将粗化的图细化到原始图以恢复每个节点的表达,从而扩大每个节点的感受野,能够获取更多的全局信息,并在各种公共基准测试图数据集上表现出强大的实证性能。
Feb, 2019
本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs,它可以在多个潜在空间适应性地执行卷积操作,并捕获节点之间的短 / 长距离依赖关系,从而处理异构性,并在六个异质性图数据集中实现节点分类任务的最佳性能。
Dec, 2021
本文提出了一种新的超半球几何图卷积神经网络(Lorentzian graph convolutional network,LGCN)来学习超半球几何中的节点特征,并在 6 个数据集上的实验表明,相比于现有的超半球几何图卷积神经网络方法,LGCN 在学习类似树形的图的表示时存在更低的畸变,并且有些超半球几何图卷积神经网络的性能使用本文所定义的图操作可以得到改进。
Apr, 2021
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
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