基于特征注意力的图卷积网络实现噪声鲁棒性学习
本研究提出了一种名为 GCN-SA 的新型图学习框架,它具有出色的节点级表示学习的泛化能力,并且通过自注意机制和改进的转换器块实现了对长程依赖关系的捕捉,从而使其能够在具有不同程度同质性的图上进行表示学习。
Mar, 2024
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
本文提出了利用结构信息和多种注意力函数计算权重的关注型空间图卷积(AGC)方法以及基于该方法的用于分类和预测点云标签的图神经网络(GNN)模型,实验结果表明,所提出的 GNN 性能优于现有方法。
Mar, 2023
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
该研究介绍了图卷积注意力层(CAT)和 GNN 架构(L-CAT),旨在充分利用两种方法的优势并自动插值 GCN,GAT 和 CAT。研究结果表明,在一系列数据集中,L-CAT 能够有效地组合不同的 GNN 层,优于竞争方法,从而减少了交叉验证的需求。
Nov, 2022
本研究提出了一种新的框架,双注意力图卷积网络,用于解决图分类任务中邻域汇聚和池化操作的问题,并通过实验比较证明了该模型优于其他基线模型和深度学习方法。
Apr, 2019
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
本文提出了一种具有全局注意机制的图卷积网络,能够选择性地关注和汇聚图中的任何节点,同时使用基于 Permutohedral 网络的近似高斯过滤技术实现全局汇聚方案,从而实现对节点分类性能的优化。
Mar, 2020
本研究旨在通过研究梯度下降训练中神经网络中的特征学习理论中图卷积的作用,提供了两层图卷积网络与两层卷积神经网络之间的信号学习和噪声记忆的不同表征,发现图卷积显着增强了对手 CNN 的良性过拟合的范围,并且在梯度下降训练后, GNNs 和 MLPs 在特征学习和泛化能力方面存在重大差异,这一结论在我们的实证模拟中得到了进一步证实。
Jun, 2023
提出了一种名为注意力驱动图聚类网络(AGCN)的深度聚类方法,它利用异质性智能融合模块动态融合节点属性特征和拓扑图特征,并开发了一个分别针对不同层嵌入的多尺度特征进行自适应聚合的规模智能融合模块,通过联合学习特征和聚类分配,可以更加灵活有效地执行聚类任务。实验结果表明,该方法性能优于现有的深度聚类方法。
Aug, 2021