提出了一种新的贝叶斯非参数方法,以在非欧几里德域上学习平移不变的关系。 该方法可应用于机器学习问题,其中输入观测值是具有普通图形域的函数。 并将图卷积高斯过程应用于图像和三角形网格等领域,表明了其多功能性和有效性,与现有方法相比具有优势,尽管是相对简单的模型。
May, 2019
通过图拉普拉斯正则化约束目标向量具有特定的图傅里叶变换系数,本文提出了一种基于图的信号的高斯过程,并证明了任何非平凡图的预测方差严格小于传统高斯过程。我们还在各种真实世界的图信号上验证了该方法表现比普通高斯过程更优秀,特别是在小训练数据规模和嘈杂训练下。
Mar, 2018
介绍了在 Gaussian 过程中引入卷积结构的方法,并构建了适用于卷积核的跨域诱导点逼近,利用较快但准确的后验推理获得卷积核的泛化利益,应用于多项研究中,其中通过边缘似然可进一步提高性能。
Sep, 2017
本文介绍了如何将图神经网络中的归纳偏置引入高斯过程中,以优化其在图结构数据上的预测表现,并得出了一些有趣的成员和提出了一种适用于大规模数据后验推断的协方差矩阵的近似方法,通过这些基于图的协方差矩阵,与相应的图神经网络相比,具有相似的分类和回归性能以及计算时间上的优势。
Feb, 2023
本研究提出使用图论中的线图来解决原始图中的链路预测问题,将链路预测问题转化为其相应的线图的节点分类问题,实验结果表明该方法在不同应用的 14 个数据集上表现优异,同时参数更少,训练效率更高。
Oct, 2020
提出了一种基于高斯过程的贝叶斯方法对图中的半监督学习问题进行高效数据处理,与目前最先进的图神经网络相比,该模型表现出极强的竞争力,在标记稀少的主动学习实验中超越了神经网络,并且模型不需要验证数据集来控制过拟合。
Sep, 2018
本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型,利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测,实验证明 GraphLP 在不同数据集上都具有优异性能。
Dec, 2022
本综述文章研究了图卷积神经网络及其在节点分类等领域的应用,并阐述了构建图卷积算子和图池算子的关键步骤。
Jul, 2023
本文提出了一种精确可扩展的面部聚类方法,将任务表述为链接预测问题,并构建子图进行推理。实验表明,该方法对于面部复杂分布更为稳健,可扩展到大数据集,并且不需要先验聚类数量,能够检测噪音和异常值,并且可扩展到多视角版本以获得更准确的聚类精度。
Mar, 2019
本论文使用了基于随机推理网络的镜像梯度下降算法来实现高斯过程模型的推理,该算法针对大规模数据的情况具有可扩展性和易实现性,并且在实验中取得了与现有稀疏变分高斯过程方法相当甚至更好的表现。