基于异构图卷积网络的细粒度事件分类
本文提出一种基于事件的异构信息网络,结合外部知识库,基于元路径相似度搜索的社交事件检测和演化发现框架,并利用基于加权元路径实例相似性和文本语义表示的新颖 PP-GCN 对社交事件进行细粒度分类,该框架优于其他替代的社交事件检测和演化发现技术。
Apr, 2021
本文提出了一个新颖的知识保持增量异构图神经网络(KPGNN),通过将复杂的社交信息建模为统一的社交图以提高数据利用率,并探索 GNN 的表达能力进行知识提取。KPGNN 使用对比损失函数适应不断变化的事件类型,并利用 GNN 的归纳学习能力从先前未见过的数据中扩展知识。最终的实验结果证明了 KPGNN 优于各种基线算法。
Jan, 2021
本文提出了一种利用混合图对比学习和增强增量聚类(HCRC)的无监督社交媒体事件检测方法,通过综合学习社交信息中的语义和结构鉴别信息,并利用增强增量聚类在完全无监督的方式下进行高效聚类。通过对 Twitter 和 Maven 数据集的全面实验评估,实验结果表明我们的方法取得了一致显著的性能提升,分别在传统的增量设置、半监督增量设置和完全无监督设置中达到的最大性能提升分别为 53%、45% 和 37%。
Dec, 2023
本文提出了一种异构图卷积网络建模方法 HeteGCN,结合了 predictive text embedding (PTE) 和 TextGCN 的优点用于文本分类,以解决现有方法预测能力、可扩展性和归纳能力的局限性。通过使用不同的图层在一个 HeteGCN 架构中学习特征嵌入并派生文档嵌入,将 TextGCN 简化为几个 HeteGCN 模型,从而简化了模型参数,以提高性能和训练速度。实验结果表明所提出的方法在小的标注训练集方案下有效。
Aug, 2020
本研究介绍了一种基于图的事件相机新框架 SlideGCN,通过事件逐个处理并保持图的内部结构,从而高效处理事件数据并保持低延迟特性。在图构建方面,采用半径搜索算法来更好地利用事件云的部分规则结构。实验结果表明,相较于当前基于图的方法,我们的方法在保持最先进的目标识别性能的同时,将计算复杂度降低了 100 倍。此外,通过事件级处理,我们验证了该方法的优越性,当状态稳定时,能够以高置信度进行早期识别。
Aug, 2023
提出了一种 ETGNN 方法以在社交媒体上检测社交事件,该方法基于图神经网络,具有时态感知和确定性理论,通过创新的临时感知集成器和证据深度神经网络对不同视图进行处理,最终实现了准确,可靠和鲁棒的社交事件检测。
May, 2022
本文介绍了一种名为 HISEvent 的框架,通过构建信息更丰富的消息图,在保留图神经网络方法优点的同时,无监督地进行社交事件检测,并克服了现有结构熵最小化算法的效率问题。实验证明,HISEvent 在封闭集和开放集环境下持续优于基于图神经网络的方法,在高效和稳健性方面取得了最新的 SOTA 社交事件检测结果。
Dec, 2023
最近在事件相机研究中,通过使用原始稀疏形式的数据进行处理,凭借其独特的特点(如高时间分辨率、高动态范围、低延迟和抗图像模糊性),取得了一些进展。其中,基于图卷积网络(GCNs)的事件数据分析方法令人期待。然而,在该领域的当前研究主要集中在优化计算成本上,却忽视了相应的内存成本。本文综合考虑了执行时间、可训练模型参数数量、数据格式要求和训练结果等因素,进行了不同图卷积操作的比较分析,结果显示,相较于最先进方法使用的操作,特征提取模块的参数数量减少了 450 倍,数据表示的大小减少了 4.5 倍,同时保持了 52.3% 的分类准确率,比最先进方法提高了 6.3%。为了进一步评估性能,我们实现了目标检测体系结构,并在 N-Caltech101 数据集上评估了其性能,结果显示其在 0.5 的 mAP 下达到了 53.7% 的准确率,并达到了每秒 82 个图的执行速度。
Jul, 2023
本研究提出了一种多重异构图卷积网络(Multiplex Heterogeneous Graph Convolutional Network,MHGCN),可以通过多层卷积聚合自动学习多重异构网络中不同长度的有用异构元路径交互,并有效地将多关系结构信号和属性语义集成到有监督和半监督学习范式中的学习节点嵌入中,实验证明其在各种网络分析任务中显著优于现有的嵌入基线。
Aug, 2022
本文提出了一种使用标签增强的异构图注意力网络 (L-HGAT) 来解决中文事件检测中的单词触发器不匹配问题的方法。在该方法中,每个句子被转换成一个图,其中包含了单词和字符之间的交互作用,并使用异构图注意力网络来传播关系信息和丰富信息交互。此外,每个标签都被转换为基于触发器原型的嵌入。在两个基准数据集上进行的实验表明,该模型比其他基线方法取得了显着的改进。
Dec, 2020