卷积文本图分类器中的逐层关联可视化
通过消除 GCN 中的不必要的非线性和权重矩阵,我们提出了一种线性模型,它对应于一个固定的低通滤波器,然后是一个线性分类器。 在许多下游应用中,我们的实验评估表明这种简化并不会对精度产生负面影响。 此外,由于我们的模型简化减少了计算量,因此我们的模型在更大的数据集上具有可扩展性,并且具有更快的推理速度。
Feb, 2019
本文介绍了一种基于图卷积神经网络的文本分类算法 (Text GCN),该算法利用单一的文本图构建并联合学习词和文本的表征,经实验表明,将该算法应用于多个基准数据集后,在无需外部词嵌入和预先知识的情况下,文本 GCN 仍可优于现有的文本分类方法。
Sep, 2018
本文研究机器学习领域的图半监督学习,提出了基于图卷积网络的深度学习方法,解决了图卷积网络机制不清晰及需要大量标注数据的问题,并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证,研究结果具有实际应用价值。
Jan, 2018
本文提出 TensorGCN 框架,基于图卷积神经网络进行文本分类,结合单个图的邻域信息和不同图的异构信息进行内部图和跨图传递信息的聚合和协调,实现了在不同种类图中集成异构信息的有效方式。
Jan, 2020
提出了使用可训练投影向量评估节点重要性来选择新图形的最重要的 K 个节点以达到与图像最大池化层相同目的的图形池 (pooling) 层。同时,结合 GCN 和普通卷积运算进行的混合卷积层 (hConv) 能够快速增加接受野 (receptive field),自动计算特征等功能,基于提出的 gPool 和 hConv 层,我们为文本分类任务开发了新的深度网络,结果证明基于这些层的网络相比于基线方法具有新的最先进性能。
Jan, 2019
本研究通过图卷积网络(GCN)对图进行编码,引入了一种新的密集连接策略,提出了一种新型的密集连通图卷积网络(DCGCN)来集成本地和非本地特征,以更好地学习图的结构表示,并在 AMR-to-text 生成和基于语法的神经机器翻译上明显优于现有的神经模型。
Aug, 2019
本文提出了一种简单而高效的方法,通过自动区分不同的部分模式从每个卷积滤波器中解开卷积神经网络内隐藏的知识层次结构,并构建了一个解释性图形模型,该模型通过无监督学习的方法进行了预训练,该图表现出不同图像中相同的物体部分,并且通过转移图形中的部分模式到部分定位任务中,其性能显著优于其他方法。
Aug, 2017
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