Dec, 2019
深度图相似性学习:综述
Deep Graph Similarity Learning: A Survey
Guixiang Ma, Nesreen K. Ahmed, Theodore L. Willke, Philip S. Yu
TL;DR本文对深度图相似性学习的现有文献进行了综述和分类,讨论了方法和应用的挑战和未来方向。
Abstract
In many domains where data are represented as graphs, learning a similarity
metric among graphs is considered a key problem, which can further facilitate
various learning tasks, such as classification, clustering, and similarity
search. Recently, there has been an increasing interest in deep graph
similarity learning, where the key idea is to learn a
发现论文,激发创造
图学习:综述
本文综述了图学习领域的现状和发展,主要包括四种现有的学习方法:图信号处理、矩阵分解、随机游走和深度学习。并且介绍了这些方法在文本、图像、科学、知识图谱和组合优化等领域的应用,以及该领域未来的研究方向。
May, 2021
图上深度学习:一份综述
该研究综述了将深度学习方法应用于普适图形数据的现有五类模型结构和训练策略:图循环神经网络、图卷积网络、图自编码器、图强化学习和图对抗方法,并提出了潜在的未来研究方向和应用领域。
Dec, 2018
图表示学习:调查
通过解释图嵌入任务及其挑战、回顾广泛的图嵌入技术、评估多种先进方法并比较它们的性能,本文综述了图表示学习的最新研究进展,同时探讨了其在潜在应用和未来发展方向的应用与发展。
Sep, 2019
图形相似性描述:这些图形如何相似?
通过将图形相似性评估作为描述问题,使用 MDL 原则进行模型选择的形式化问题,例如社交网络,信息网络的比较,引入 Momo 以发现好的模型,并提出有效的算法。
May, 2021
深度图聚类的调查:它的分类,挑战和应用
本文是关于深度图聚类的首个全面综述,首先介绍了深度图聚类的定义和基准方法,然后提出基于四种不同标准的深度图聚类方法的分类学。此外,通过对现有工作的仔细分析,总结了来自五个方面的挑战和机遇。最后,介绍了深度图聚类在四个主要领域中的应用,并提供了 GitHub 上的深度图聚类方法的最新文献和数据集。
Nov, 2022
深度排序学习细粒度图像相似度
本文提出了一个利用深度学习技术从图像直接学习相似度度量的深度排名模型。该模型通过多尺度网络结构和三元组采样算法,具有比基于手工特征和深度分类模型更高的学习能力。实验证明了该算法的优越性。
Apr, 2014