Oct, 2018

基于几何散射的图数据分析

PDF
TL;DR本篇论文探讨了散射变换从传统（如图像或音频）信号到图数据的归纳推广，类似于 geometric deep learning 中 ConvNets 的归纳推广，并研究了提取的图特征在图数据分析中的实用性，尤其关注这些特征保留数据中的信息变量和关联的能力，同时将我们的构建与之前的一些理论结果联系起来，这些结果建立在类似变换到图变形的家族上的稳定性上。 我们证明了在社交网络数据的图分类和生物化学数据的数据探索中应用了我们的几何散射特征。
发现论文，激发创造
  • 基于散射的图卷积神经网络

    该研究将散射变换（scattering transform）推广到图像上并在此基础上构建了图卷积神经网络（convolutional neural network on graphs），证明了在特定条件下，该网络生成的任何特征对排列的变化具有近似不变性（invariance）和对图像操作的稳定性，并在相关数据集上展现出卓越的性能（numerical results）。

    Mar, 2018

  • 散射 GCN: 克服图卷积网络的过度平滑问题

    本文提出了一个叫做 Scattering GCN 的方法，将传统图卷积神经网络与几何散射变换和残差卷积相结合，以提高半监督节点分类的性能。实验结果显示，与最新提出的图神经网络相比，这种方法在处理图数据时具有优越性能。

    Mar, 2020

  • 紧致黎曼流形上的几何小波散射网络

    本文介绍了一种基于仿射不变性和微分同胚稳定性的 Geometric Scattering Transform 方法，可以使卷积神经网络在流形和图结构领域中更具有普适性和稳定性。

    May, 2019

  • 图散射变换的稳定性

    本文介绍了在网络数据中使用多分辨率图形小波的散射变换，并证明了生成的散射变换对底层网络度量摄动的稳定性。这使得图形散射变换变得稳健，特别适用于转移学习、拓扑估计或时变图的情况。

    Jun, 2019

  • 图上扩散散射变换

    本文论述了通过扩展散射变换到非欧几里得域并使用扩散小波，可以在保持度量变化稳定性的同时，获取能够捕获类似于欧几里得散射的高频信息的稳定表征的研究。

    Jun, 2018

  • 基于图的无监督深度 Haar 散射

    本文提出了一种在未知图形几何的情况下对定义在图上的高维数据进行分类的方法 - 基于 Haar 散射变换，该变换能够计算出不变的信号描述符，并通过深度级联计算正交 Haar 小波变换来实现。此外，本文还介绍了一种用于无序图形上采样的多尺度邻域估计方法，并对通过降维实现的监督分类在样本集上进行了测试。

    Jun, 2014

  • 散射深度学习

    本文介绍广义散射变换作为深度神经网络数学模型，并探讨其在无监督和有监督学习及分类中的应用。

    Jun, 2013

  • 几何图神经网络综述：数据结构、模型与应用

    基于几何信息传递的数学预备知识，本论文从现有模型的角度提供了对几何图神经网络的统一视角，并总结了其应用以及相关数据集，以促进后续方法开发和实验评估的研究，同时还讨论了几何图神经网络的挑战和未来潜在方向。

    Mar, 2024

  • 混合表示学习的散射网络

    本文研究了散射网络，作为模拟图像的通用表征。使用散射网络在监督和无监督学习任务中实现了具有竞争力的结果，并取得了对构建更可解释的卷积神经网络的进展。

    Sep, 2018

  • 图神经网络中基于几何原理的连接

    本文提出应该将几何图形应用作几何深度学习创新的主要推动力量，并介绍了一种称为仿射跳跃连接的新型构建块，该构建块由完全连接层与任何图卷积算子组合而成，证明其可以显著提高图分类等任务的性能。

    Apr, 2020