IJCAIAug, 2019

MEGAN: 多视角网络嵌入的对抗生成网络

PDF
TL;DR本研究提出一种新颖的生成对抗网络框架，即 MEGAN，用于多视角网络嵌入，通过保留多视角网络的信息并考虑它们之间的相关性，通过节点分类、链接预测和可视化任务的实验表明，该方法的表现优于现有的方法。
multi-view networkembeddinggenerative adversarial networkmegannode classification
发现论文，激发创造
  • MEGAN: 多模态图像生成的混合专家生成对抗网络

    我们提出一种混合专家 GAN （MEGAN）方法，它使用多个生成器网络进行集成学习，并通过门控网络在不同条件下选择适当的网络，以生成具有特定子集的模式的图像。我们证明各自利用数据的不同部分，达到较高的多尺度结构相似性分数和竞争性的无监督内在分数。

    May, 2018

  • 多视角生成对抗网络

    使用 BiGAN 模型，提出了一种多视图 BiGAN（MV-BiGAN）模型，可以从多个视图输入中执行密度估计，并且可以处理缺失视图并在提供额外视图时更新其预测。

    Nov, 2016

  • GANE: 生成对抗网络嵌入

    本文提出了一种使用基于对抗生成网络的方法进行网络嵌入的模型，通过引入 Wasserstein-1 距离和三种不同的变体来解决无监督学习和有监督学习之间的鸿沟，实现在低维嵌入向量空间中保留网络中的第一和第二阶接近度，实验结果表明，在链接预测、可视化和聚类任务中，我们的模型始终优于现有技术，并有显著的改进。

    May, 2018

  • VIGAN: 基于生成对抗网络的缺失视图插值

    本文提出了一种基于生成对抗网络（GAN）和去噪自动编码器（DAE）的视图插补方法，该方法能够有效地解决多视图数据分析中的缺失视图问题，并可用于生命科学领域的遗传研究。

    Aug, 2017

  • 脑网络聚类分析的多视角多图嵌入

    使用张量技术将多视图和多图脑网络的依赖关系和相关性同时结合，可以通过利用多视图和多图交互来对脑网络进行聚类，提高疾病机理的理解和治疗方法的指导。

    Jun, 2018

  • 多视角协作网络嵌入

    本文提出了一种多视角网络嵌入方法 MANE，旨在通过多样性和协作来促进多个关系视角的合作，实现更优秀的节点表征，实验证明 MANE 在公开的多视角网络数据集上，优于现有的嵌入方法。

    May, 2020

  • EL-GAN: 以嵌入损失为驱动的生成对抗网络用于车道检测

    本文提出了一种名为 EL-GAN 的基于生成对抗网络的语义分割框架，通过嵌入损失降低了后处理的复杂度和提高了训练稳定性，应用于 TuSimple 车道线数据集上，效果优于传统方法并达到 96% 以上的准确率。

    Jun, 2018

  • CR-GAN: 多视图生成的完整表征学习

    提出了一种两个学习路径相互协作的 CR-GAN，通过引入一条生成侧路以保持学习嵌入空间完整性，结合已标记和未标记数据的半监督学习，使其能更好地泛化到看不见的数据集，有效解决了单通路框架下 GAN 可能学习不完整表征的问题，在生成多视角图像方面比现有方法表现更好，特别是在野外条件下。

    Jun, 2018

  • IVE-GAN：不变编码生成对抗网络

    提出了一种新的 “不变编码生成式对抗网络”（IVE-GANs）框架，利用特定数据的不变特征进行逆向映射，使生成器可以涵盖更多数据模式并提升生成效果和表示能力，并在多个数据集上进行了验证。

    Nov, 2017

  • 高分辨率图像合成基于自动嵌入生成对抗网络

    本文提出了一种名为 AEGAN 的新型生成对抗网络，该网络使用自编码器学习真实图像的内在高级结构，并设计了一个新型的去噪网络来为生成的图像提供逼真的细节，从而能够直接从输入噪声生成 512x512 的高质量图像，结果比其他基线（包括 Oxford-102 Flowers、Caltech-UCSD Birds（CUB）、高质量大规模 CelebFaces 属性（CelebA-HQ）、大规模场景理解（LSUN）和 ImageNet）产生更好的知觉逼真度，即具有更清晰的结构和更丰富的细节。

    Mar, 2019