层级二分图卷积网络
本文介绍了一种二进制图卷积神经网络(Bi-GCN),它将网络参数和输入节点特征进行二元化,并将原始矩阵乘法改为二进制运算以加速计算,并使用一种新的梯度逼近反向传播方法来训练我们的 Bi-GCN。实验表明,与全精度基线相比,Bi-GCN 在节省内存资源方面平均可以减少约 30 倍,并平均加速推理速度约 47 倍,并且该二进制方法还可以轻松应用于其他 GNNs。
Oct, 2020
本文提出了一种无监督的 Dual HyperGraph Convolutional Network (DualHGCN) 模型,通过将多重二分网络转化为两组同质超图,并使用谱超图卷积算子以及内部和跨域间的信息传递策略来学习有效的节点嵌入,对四个真实数据集进行基准测试,展示了 DualHGCN 显著优于现有最先进方法,并且对不同的稀疏水平和不平衡节点分布具有鲁棒性。
Feb, 2021
本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用,证明该方法在文档和分子分类问题方面具有国际领先水平。
Mar, 2017
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
本文介绍了一种解决 GCN 在拓扑限制、特征与拓扑之间不平衡以及局部同质性等问题的新型架构 BiTe-GCN,在文本丰富的网络上进行双向拓扑与特征卷积,并引入了判别式卷积机制。在 J.D. 搜索等实际应用中得到了突破性的性能提升。
Oct, 2020
本文研究了将深度学习方法推广到图论领域,通过对比 RNN 和 ConvNet 的效果,将门控边缘和残差技术用于设计神经网络对图学习任务进行分类,获得了比现有方法更高的准确率和更快的速度。
Nov, 2017
本论文探讨了将二值化技术应用于图神经网络的方法,并成功设计了能够在 Hamming 空间内快速构建动态图的模型,实现了在准确性轻微损失的代价下在嵌入式设备上取得了显著的存储空间和时间扩展的效果。
Dec, 2020
基于二值正向传播策略的二值单纯共形神经网络,通过使用 simplicial convolution 结合 Hodge Laplacian 可以高效且准确地表示高阶结构,相较于之前的单纯共形神经网络具有更小的模型复杂度,缩短了执行时间且不易产生过度平滑效应。
May, 2024
该研究探索了卷积神经网络在图信号处理方面的应用,通过构建选择图神经网络和聚合图神经网络,对信号的卷积和池化进行了重新解释,实现了在图数据上的卷积神经网络。此外,该研究还对选择和聚合图神经网络在一个基于源定位和作者归属的应用中进行了性能分析和评估。
May, 2018