Nov, 2019

GraphTER：通过节点变换自编码无监督学习图变换等变表示

PDF
TL;DR本研究介绍了一种无监督学习的图变换等变表示（GraphTER）方法，可以有效地从 3D 点云数据中捕捉全局和局部变换下的图形结构，与现有的无监督方法相比表现更好，且可扩展用于其他数据集。
graph convolutional neural networksunsupervised learninggraph transformation equivariant representations3d point cloud dataself-training
发现论文，激发创造
  • 通过自编码转换学习广义的变换等变表示

    该研究介绍了确定性自编码变换和概率自编码变分变换模型，以从通用转换组中学习视觉表示，并通过最大化学习表示和转换之间的联合互信息来训练 AutoEncoding Variational Transformations 模型，该模型能更加一般性地捕获视觉结构的 复杂模式， 这将导致广义的 Transformation Equivariant Representations，可以应用到无监督和半监督的场景中。

    Jun, 2019

  • AVT：自动编码变换的无监督变换等变表示学习

    使用自动编码可变换学习，提出了一种通用的、无监督的学习变换等变表示（TERs）的方法，以实现在变换下呈现内在的视觉结构信息，并在实验中取得了非常好的性能表现。

    Mar, 2019

  • 等距不变和等变图卷积网络

    我们提出了一种基于图卷积网络的一组变换不变和等变模型，称为 IsoGCNs，并证明了该模型在几何和物理模拟数据相关任务上具有竞争性能.

    May, 2020

  • 基于图形的等度不变表示学习

    本文介绍了一种新颖的基于图的变换不变性网络（TIGraNet），该网络可以学习基于图的特征，并对几何变换具有不变性，通过图谱卷积和动态图池化层替代经典的卷积和池化层，能够有效提高对于数据变异的鲁棒性和在有限的训练集上保持持续性能。

    Mar, 2017

  • 无监督学习群不变和等变表示

    本文针对深度学习的无监督学习，将群不变和群等变表示学习扩展到了该领域。我们提出了一种基于编码器 - 解码器框架的通用学习策略，其中潜在表示被分为不变项和等变群作用项。在利用预测适当的群作用来对齐输入和输出姿势以解决重建任务时，网络可以学习将数据编码和解码为群不变表示。我们导出依变编码器的必要条件，并针对旋转，平移和置换明确描述了我们的构造。我们在不同网络架构下使用不同数据类型进行各种实验，测试了我们方法的有效性和鲁棒性。

    Feb, 2022

  • 测试时图变换增强图表示学习

    本文提出了一种名为 GTrans 的图形变换框架，通过在测试时自适应和改进图形数据，从数据角度来解决图神经网络（GNN）所面临的数据质量问题，经实验表明，GTrans 在改善性能方面表现最佳。

    Oct, 2022

  • 增强属性聚类的图形转换：一种创新的图形转换器方法

    本研究引入一种新的方法，将图自编码器与图变压器相结合，称为 GTAGC，以解决传统方法无法捕捉图中节点间复杂全局依赖情况的问题，该方法在基准数据集上表现出卓越性能，展现了图聚类方面的应用前景。

    Jun, 2023

  • GraphiT：在 Transformers 中编码图结构

    本文提出了一种名为 GraphiT 的模型，将结构和位置信息融入到变换器体系结构中，以解决图像分类和回归等任务，并通过相对位置编码策略中的正定核和枚举和编码短路径等方法来实现，表现比传统方法更好。此外，该模型还具有解释和可视化图像的特点，有望成为解释性较强、科学应用领域中的潜在强大候选者。

    Jun, 2021

  • E (n) 等变图神经网络

    本文介绍了一种新的模型来学习具有等变性的图神经网络，称为 EGNN，此方法不需要在中间层中计算昂贵的高阶表示，同时具有竞争力或更好的性能，在 3 维空间等变性上具有比现有方法更大的伸缩性，并在动态系统建模，图自编码器中的表征学习和预测分子性质方面证明了其有效性。

    Feb, 2021

  • 图变换网络

    本论文提出了一种名为 GTNs 的图转换器网络，能够在图上进行节点表示的学习，同时生成新的图结构以及识别原始图上未连接点之间有用的连接。实验表明，GTNs 有效地生成新的图结构，通过卷积在新图上产生具有强大表现力的节点表示，并在三个基准节点分类任务中取得了最佳表现。

    Nov, 2019