IJCAIJun, 2019

自适应图卷积的归属图聚类

PDF
TL;DR本文提出了一种自适应图卷积方法来处理带属性的图聚类问题，该方法利用高阶图卷积来捕获全局聚类结构，并针对不同的图自适应地选择适当的阶数，而实验结果表明，该方法与现有的最先进方法相媲美。
attributed graph clusteringgraph convolutional networksadaptive graph convolutionhigh-order graph convolutionbenchmark datasets
发现论文，激发创造
  • 面向属性网络嵌入的协作图神经网络

    COllaborative graph Neural Networks (CONN) 是一种专门用于属性网络嵌入的 GNN 体系结构，通过选择性地传播来自相邻节点和相关属性类别的消息，并通过交叉相关联合重构节点之间和节点到属性类别之间的交互来提高模型能力。实验表明 CONN 在真实网络上表现出色，超过了现有的嵌入算法。

    Jul, 2023

  • 联合商品推荐与属性推断：自适应图卷积网络方法

    该研究提出了一种自适应图卷积网络的方法，用于联合推荐系统中的商品推荐和属性推断，通过迭代学习图嵌入参数和估计属性值来提高性能。

    May, 2020

  • 属性图的聚类：模型、度量和方法

    该文章是关于图聚类中的属性图的现状调查，总结了最新的研究成果和主要的聚类算法，并且介绍了分析聚类结果的评估方法和当前存在的开放问题。

    Jan, 2015

  • 点云分析的自适应图卷积

    本文提出了 Adaptive Graph Convolution (AdaptConv) 来生成自适应的核，以动态地学习点云的特征，从而以灵活、精确地捕捉不同语义部分点之间的多样关系的方式，改善了基于点云的卷积操作的适应能力，并且在几个基准数据集上表现优于当前最先进的点云分类和分割方法。

    Aug, 2021

  • 基于梯度的归因方法解释和理解图卷积神经网络

    本文提出了一种 Node Attribution Method (NAM) 梯度归因分析方法和 Node Importance Visualization (NIV) 方法，用于分析处理非格型关系数据如图形的图卷积神经网络（GCN）模型，并得出模型对 GCN 输出的贡献从而解决现有分析方法难以解释 GCN 预测结果的问题。

    Mar, 2019

  • 自适应图卷积神经网络

    本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络（Graph CNNs），在九个图结构数据集上，实现了收敛速度和预测精度方面的显著性能提升。

    Jan, 2018

  • 属性图嵌入的自适应图编码器

    提出了一种新的算法 Adaptive Graph Encoder (AGE) 基于图卷积网络（GCN）的 attributed graph embedding 任务，并且采用了特定的 laplacian smoothing filter 去除节点特征中高频噪声，实现更佳的节点嵌入。AGE 在公共基准数据集上进行了实验，结果表明 AGE 在节点聚类和链接预测任务中表现出色。

    Jul, 2020

  • 基于注意力机制的图聚类网络

    提出了一种名为注意力驱动图聚类网络（AGCN）的深度聚类方法，它利用异质性智能融合模块动态融合节点属性特征和拓扑图特征，并开发了一个分别针对不同层嵌入的多尺度特征进行自适应聚合的规模智能融合模块，通过联合学习特征和聚类分配，可以更加灵活有效地执行聚类任务。实验结果表明，该方法性能优于现有的深度聚类方法。

    Aug, 2021

  • 融合高阶结构信息的图聚类

    提出了一种新颖的图聚类网络，能充分利用图结构信息，捕获高阶结构信息，并应用三元自监督模块作为结构约束，在多个数据集上优于多个最先进的方法，显示出其优越性。

    Mar, 2024

  • 超图卷积和超图注意力

    该研究引入了两个可端到端训练的操作符，在超图卷积和超图注意机制方面，以在高阶关系的图结构数据上有效地学习深度嵌入，并在半监督节点分类方面展示了其有效性。

    Jan, 2019