针对图的无监督学习和半监督学习的基于维度分离的二维图卷积

KDDSep, 2019

针对图的无监督学习和半监督学习的基于维度分离的二维图卷积

Dimensionwise Separable 2-D Graph Convolution for Unsupervised and Semi-Supervised Learning on Graphs

Qimai Li, Xiaotong Zhang, Han Liu, Quanyu Dai, Xiao-Ming Wu

TL;DR这篇文章探讨了使用二维卷积来同时建模对象链接和属性关系以进行图表征学习，并提出了一种计算高效的分维可分离二维图卷积（DSGC）方法在节点功能过滤上。经实验，通过建模属性关系，DSGC 在各种真实世界网络上用于节点分类和聚类，成绩显著优于现有技术方法。

Abstract

graph convolutional neural networks (GCN) have been the model of choice for graph representation learning, which is mainly due to the effective design of graph convolution that computes the representation of a node by aggregating those of its neighbors. However, existing GCN variants c

graph convolutional neural networks 2-d graph convolution dimensionwise separable 2-d graph convolution node classification clustering

发现论文，激发创造

有向图卷积网络

本研究提出了一种名为 DGCN 的新型 GCN 模型，通过利用一阶和二阶接近度来将其扩展到有向图，可以保留有向图的连接属性并扩展卷积操作的感受野，实验证明只用 DGCNs 可编码更多有用的图信息并在推广到其他模型时提高性能。

Apr, 2020

可变形图卷积网络

本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

Dec, 2021

双图卷积网络用于语义分割

本文提出了一种基于图卷积网络的新方法 (DGCNet)，主要用于像素级预测任务，为解决语义分割问题提供长程上下文信息建模。通过建模两个正交图来模拟输入特征的全局上下文，并通过将特征投影到新的低维空间来有效地实现。实现的模型在 Cityscapes 和 Pascal Context 数据集上取得了最优结果

Sep, 2019

多维图卷积网络

本文研究了面向多维图形的图卷积网络模型 mGCN，旨在捕捉学习多维图形节点级表示中的丰富信息，并在真实世界的多维图形上进行了全面实验，证明了该框架的有效性。

Aug, 2018

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

半监督学习的图拉普拉斯正则化图卷积网络

本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法，该方法通过编码图结构和节点特征同时保持局部不变性约束，用于图数据表示和半监督分类，并在实验中证明了其有效性。

Sep, 2018

基于图学习的双图卷积网络用于半监督节点分类与子图草图

我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN，并将其应用于半监督节点分类任务，在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率，同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN，并设计了基于聚类图卷积神经网络的半监督节点分类算法，使 GCN 能够处理大规模图数据并提高其应用价值，在 PPI 数据集（超过 50,000 个节点）和 Reddit 数据集（超过 200,000 个节点）上也表现良好。

Apr, 2024

可学习的图卷积网络和特征融合用于多视角学习

本文提出了一种新的基于图卷积神经网络和特征融合的联合深度学习框架，该框架旨在从异构视角中学习潜在的特征表示，并探索可区分的图融合，通过 Learnable Graph Convolutional Network and Feature Fusion (LGCN-FF) 方法能够有效地提高多视图半监督分类的准确度。

Nov, 2022

半监督学习中图卷积网络的深入洞察

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

深度对比图学习与聚类导向引导

基于图卷积网络，提出了深度对比图学习模型（DCGL），用于一般数据聚类。该模型通过建立伪孪生网络，将自编码器与图卷积网络相结合，强调图结构和原始特征，并引入特征级对比学习来增强判别能力，利用样本与质心之间的关系作为聚类导向指引。然后，设计了双分支图学习机制来提取局部和全局结构关系，并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明，DCGL 相对于现有算法具有优越性。

Feb, 2024