图波神经网络

Apr, 2019

Graph Wavelet Neural Network

Bingbing Xu, Huawei Shen, Qi Cao, Yunqi Qiu, Xueqi Cheng

TL;DR我们提出了一种图波形神经网络（GWNN），通过使用图小波变换来解决以往依赖于图傅里叶变换的图谱卷积神经网络（CNN）方法的缺点，这些方法需要进行高计算成本的矩阵特征分解。与图傅里叶变换不同的是，图小波变换可以通过快速算法获得，无需矩阵特征分解。此外，图小波在顶点域中稀疏且局部化，可以提供高效性和良好的图卷积可解释性。经过实验，GWNN 在三个基准数据集上均明显优于以往的图谱 CNNs，在图半监督分类任务上具有更好的性能。

Abstract

We present graph wavelet neural network (GWNN), a novel graph convolutional neural network (CNN), leveraging graph wavelet transform to address the shortcomings of previous →

graph wavelet neural network graph convolutional neural network graph wavelet transform spectral graph cnn methods semi-supervised classification

发现论文，激发创造

ASWT-SGNN：自适应谱小波变换自监督图神经网络

自适应谱小波变换自我监督图神经网络（ASWT-SGNN）是一种结合了图卷积网络（GCN）和比较学习优势的自监督方法，用于学习节点表示，通过近似滤波函数和优化小波来实现灵活的邻域信息聚合和局部与全局信息之间的控制转换。

Dec, 2023

通过一般的谱小波推进图卷积网络

本文提出了一种基于小波的图卷积网络 WaveGC，通过集成多分辨率的谱基和矩阵值滤波器核心，实现有效捕获和分离短程和长程信息，提供了更高的灵活性和表达能力，并在短程和长程任务中相比现有模型取得了改进。

May, 2024

深度时空图建模的图卷积网络 (Graph WaveNet)

本文介绍了一种新型的图神经网络，Graph WaveNet，它采用了自适应依赖矩阵和扩张卷积组件，能够精确捕捉数据中的隐藏空间依赖关系和处理非常长的时间序列，通过在两个公共交通网络数据集中的实验结果，证明了我们算法的优越性。

May, 2019

图神经网络的能力超出我们的想象

本研究提出一种使用特殊算法和线性代数工具来分析图神经网络 (GNNs) 的表征能力的方法，证明 NNG 可以优于 Weisfeiler-Lehman 算法，同时在图同构和图分类等数据集上进行充分实验证明了这种新型的 GNN 架构更具表达力的特点。

May, 2022

快速局部谱滤波的图卷积神经网络

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

重新思考图神经网络在异常检测中的应用

本文提出基于 Beta 小波的图神经网络 BWGNN，包含局部化的频带通滤波器，以更好地处理异常的频谱现象，并在四个大规模异常检测数据集上证明了其有效性。

May, 2022

可训练小波神经网络用于非平稳信号

本文介绍了一种小波神经网络，该网络能够学习一个专门适合非平稳信号的滤波器组，并提高数字信号处理的可解释性和性能。实验结果表明，该网络可以快速收敛，在噪声数据上具有良好的泛化能力，并优于标准网络架构。

May, 2022

基于小波灵感的多尺度图卷积循环网络用于交通预测

提出了一种基于小波图卷积循环网络的多尺度分析方法和深度学习方法相结合的 Traffic 预测模型，能够准确捕捉交通数据的空间相关性和多尺度结构，并在真实交通数据集上展现出具有解释性、强大的学习能力和竞争性的预测性能。

Jan, 2024

基于图卷积神经网络的交通预测性能的逐步提升

本研究通过改进 Graph WaveNet 模型的超参数、连接和预训练等方法，成功将该模型在 METR-LA 数据集上的平均绝对误差下降了 0.06，同时还展示了使用短期和长期预测模型集成的方法可以进一步提高性能。

Dec, 2019

基于图神经网络的脑电信号分类：综述

通过系统综述和分类论述了基于图神经网络的脑电分类方法，发现光谱图卷积层在空间上存在较大优势，常见的节点特征为原始脑电信号和差分熵，同时提出了探索迁移学习方法和适当建模跨频率交互的方向。

Oct, 2023