Jun, 2019

图上半监督学习算法的一致性：Probit 和 One-hot 方法

HTML
PDF
TL;DR本文研究了基于图的半监督学习问题，探讨了标签带有小噪声和无标签数据集有良好聚类性质时，优化技术的一致性，分析了基于图的Probit算法和应用One-Hot编码的多类分类方法的优化目标函数，通过一致性分析阐明了定义优化所需的理性函数选择。
发现论文，激发创造
  • 基于标签一致性的图神经网络用于半监督节点分类

    本文提出了基于标签一致性的图神经网络（LC-GNN），扩大了GNN中的节点感受野，利用未连接但标签相同的节点对。在基准数据集上的实验证明，LC-GNN在图形半监督节点分类方面优于传统的GNN，在只有少数标记节点的稀疏场景中也表现出优越性。

    Jul, 2020

  • 半监督分类的图卷积：改进的线性可分性和越界泛化

    该研究探讨了在图形信息存在的情况下，基于图卷积进行数据分类的方法，发现图卷积扩展了数据线性可分的范围，并且在最小化交叉熵损失后，得到的线性分类器具有很好的泛化能力。

    Feb, 2021

  • 基于图的半监督学习：综述

    本文着重阐述了基于图的半监督学习方法的各种变体及其概述、连接和发展方向。新的广义分类方法为图正则化和图嵌入方法提供了指导和最新的研究参考。

    Feb, 2021

  • 基于图神经网络的节点分类的增强方法

    本文概述了一系列现有的技巧，并提出了一些与标签使用、损失函数制定和模型设计相关的新技巧，以显著提高各种图神经网络(GNN)架构的性能。通过进行消融研究，我们经验性地评估了它们对最终节点分类精度的影响，并证明了它们的性能得到了不断改进，通常超过了底层GNN架构变化所带来的收益。值得注意的是，许多排名前列的模型从中受益，这是我们提出的一些技术。

    Mar, 2021

  • 用于稀疏标记数据分类的持久性拉普拉斯增强算法

    本文提出一种称为PL-MBO的代数拓扑半监督学习方法，它将持久谱图理论与经典的MBO方法相结合，通过一系列链复杂体和关联的简单复杂体构建一族持久拉普拉斯变换，从而实现在标记数据量较少的情况下实现良好的性能。

    May, 2023

  • 高效学习图形进行半监督学习

    本研究提出了一种利用多个数据集学习半监督学习图的算法，最终实现了在已知图或者未知图的情况下提高计算效率。

    Jun, 2023

  • 一种用于半监督图学习的一致性扩散算法

    半监督分类的目标是基于所知少数节点（称为种子）的标签来为图的所有节点分配标签。本文证明了在计算得分之前需要对节点的温度进行居中处理，否则该算法是不一致的。这一关键步骤不仅使得算法在块模型上可以证明是一致的，还在实际图上带来了显著的性能提升。

    Nov, 2023

  • 多任务半监督学习的大维度分析

    本研究通过大维度研究了一种简单而多功能的分类模型，同时涵盖了多任务学习、半监督学习和考虑不确定标签的要素。利用随机矩阵理论的工具，我们表征了一些关键功能的渐近特性，一方面可以预测算法的性能，另一方面揭示了一些关于有效使用该算法的反直觉指导。该模型不仅强大到提供良好的性能保证，而且简单到深入理解其行为。

    Feb, 2024

  • 改进的基于图的半监督学习方案

    通过对高斯随机场学习和泊松学习算法进行改进，我们在图形半监督学习领域提高了对少标签大数据集的分类准确性，并创建了更强大的算法，实验结果证明了这些方法在不平衡数据集环境下优于传统的图形半监督技术。

    Jun, 2024

  • 大规模图的快速半监督学习：改进的格林函数方法

    本研究针对传统格林函数方法在大规模稀疏图上的不稳定性和不满意性能进行了深入分析，提出了一种从优化角度出发的新方法。该方法不仅与完全连接图的格林函数方法等效，还为理解其在稀疏图上的表现提供了物理意义，同时引入两项加速技术以提高效率，最终通过大量实验验证了改进方法的有效性和稳定性。

    Nov, 2024