图分类的简单基线算法
本文介绍了一种简单但有效的图形表示方法,并探讨了其在图形分类中的应用。该表示方法在非属性图形分类中取得与最先进的图形核和图形神经网络类似的表现,但在属性图形分类中表现稍弱。文中强调了需要更全面的基准数据集来评估和分析不同的图形学习方法,并认为我们提供的图形表示方法是未来图形分类(甚至其他图形学习)研究的良好基准方法。
Nov, 2018
本文提出根据图的结构和节点属性对其进行分类的方法,使用图信号处理中的频谱特征派生两种高斯过程模型进行图分类 —— 第一种,基于图谱频谱能量信号分布的频谱特征;第二种,旨在捕捉图中多尺度和局部的模式,通过学习谱图小波滤波器来获得更好的性能。最后,表明二者均产生良好的不确定度估计,可以基于模型预测进行可靠的决策。
Jun, 2023
通过基于传统光谱分割方法,将图像分解为由自我监督网络的特征亲和矩阵的拉普拉斯特征向量,以对场景中的对象进行定位和义分割的无监督方法,在 Pascal VOC,MS-COCO 等复杂数据集上取得了显著的定位和分割优势。
May, 2022
本研究提出了一种基于顶点嵌入的简单谱聚类算法,通过幂法计算的向量,在接近线性时间内计算顶点嵌入,并在输入图形的自然假设下,算法能够可靠地恢复出真实聚类结果。通过在多个合成和现实世界数据集上的评估发现,该算法与其他聚类算法相比,具有显著更快的速度,并且产生的聚类准确度基本相同。
Oct, 2023
本文提出了一种基于图信号处理的方法,采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤,该方法在控制误差的同时计算时间效率可达到数个数量级的提升,并在人工合成数据和真实网络数据集上进行测试。
Feb, 2016
本文探讨了如何在图形分类中利用图卷积网络(graph convolutional networks)进行节点嵌入(node embeddings)、不可区分形式学习(representation learning)和不可区分形式学习(differentiable graph coarsening),并且没有牺牲稀疏性,为未来基于图形的神经网络研究指出了重要方向。
Nov, 2018
本文介绍了一种利用图拉普拉斯矩阵的谱特性,结合分层聚类技术和包含最大化输出模块化程度处理的高效且相对较快的检测复杂网络中社区的算法,并将其性能与其他现有方法在不同的复杂网络实例中应用进行了比较。在所有测试案例中,我们的结果都至少与任何其他方法获得的最佳结果一样好,大多数情况下比提供类似质量结果的方法更快,这使得该算法成为检测和分析复杂网络中社区和模块化结构的有价值的计算工具。
Apr, 2004
本文提出了一种基于图信号处理的快速谱聚类算法,通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计,利用这些随机向量的随机性来估计聚类数目 k,相较于传统谱聚类方法,我们的方法在大规模数据集上表现相当且速度至少快二倍。
Sep, 2015