Nov, 2019

GLMNet: 基于图学习的特征匹配网络

PDF
TL;DR提出了一种新的 “图学习 - 匹配” 网络（GLMNet）方法，它将图学习集成到图匹配中，采用 Laplacian sharpening 卷积模块提取节点嵌入特征，并通过设计新的约束正则化损失来优化图匹配，实验结果表明该方法有效，具有一些主要模块的优势。
graph convolutional networksgraph matchinggraph learningnode embeddingsconstraint regularized loss
发现论文，激发创造
  • 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

  • 包含缺失特征的图形卷积网络

    该文提出了一种基于高斯混合模型的图卷积神经网络方法，有效解决了节点特征信息不完整所带来的性能退化问题，实现了端到端的特征填充和图学习过程，并在节点分类和链路预测任务中明显优于基于特征填充技术的方法。

    Jul, 2020

  • 多层图匹配网络用于深度图相似度学习

    本研究提出了一种多层图匹配网络框架，其中包含节点 - 图匹配网络和连体图神经网络，可在纵横交错的多层交互中精确地计算图状对象之间的相似度，并证明其在图分类和回归任务中的有效性及稳健性。

    Jul, 2020

  • CGMN: 一种用于自监督图相似性学习的对比图匹配网络

    本文提出了一种对计算机视觉、图分类和协同过滤等领域特别有用的图相似性计算方法。此方法称为自监督图相似性学习，其基于对图像对的图形匹配任务和自学来训练的一种对比学习框架，可以更好地揭示图像的差异和共性，并跨越不同的图形对进行一致性识别。此方法依赖于具有有效单个图表示的现有图形神经网络，同时启用交叉图和交叉视图互动以增强节点表示的一致性和区分度，并通过汇集操作将节点表示转换为图级表示进行图相似性计算。

    May, 2022

  • 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

  • 学习组合嵌入网络以进行深度图匹配

    该研究设计了端到端的可微分深度网络，以学习图匹配的亲和力，并采用排列损失和图嵌入作为优化目标函数，具有在现实世界应用中广泛的适用性和超越现有状态的性能。

    Apr, 2019

  • 图修订卷积网络

    提出一种名为图修正卷积网络（GRCN）的框架，通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正，以避免过度参数化或简单的重新加权观察到的边缘的问题，并且在六个基准数据集上的实验结果表明，与强基准方法相比，GRCN 始终表现出较大的优势，尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。

    Nov, 2019

  • 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

  • 集成二次分配网络用于图匹配

    通过图神经网络结合数据驱动和传统方法，该研究提出了一种解决图匹配问题的模型，该模型利用了随机抽样策略降低了计算复杂度和 GPU 内存使用，并在几个任务上得到了显著的性能提升。

    Mar, 2024

  • 用于学习图结构对象相似性的图匹配网络

    本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

    Apr, 2019