本研究提出了一种新的深层分层图卷积网络 (H-GCN),通过聚合结构相似的节点形成超节点,然后再将粗化的图细化到原始图以恢复每个节点的表达,从而扩大每个节点的感受野,能够获取更多的全局信息,并在各种公共基准测试图数据集上表现出强大的实证性能。
Feb, 2019
本文研究神经网络在解决大规模复杂图形结构问题方面的性能瓶颈和深层网络优势的不足,通过对现有几种图卷积网络的分析,提出了两种可用于深度扩展的新型网络结构,以更好地利用多尺度信息来进行节点分类。
Jun, 2019
提出了一种新的图生成网络,以获得具有层级结构的图,并通过模块化方法在层级结构的不同级别生成社区,根据多项式分布对层级图中的边进行建模并成功地捕获了局部和全局性质。
May, 2023
本文探讨了如何在图形分类中利用图卷积网络(graph convolutional networks)进行节点嵌入(node embeddings)、不可区分形式学习(representation learning)和不可区分形式学习(differentiable graph coarsening),并且没有牺牲稀疏性,为未来基于图形的神经网络研究指出了重要方向。
Nov, 2018
提出了一种新颖的图聚类网络,能充分利用图结构信息,捕获高阶结构信息,并应用三元自监督模块作为结构约束,在多个数据集上优于多个最先进的方法,显示出其优越性。
Mar, 2024
使用 DAG-CNN 的多尺度卷积神经网络探索了多尺度特征提取,并在三个场景基准测试中展现了最新的最佳分类性能。
May, 2015
提出了一种获得分层神经网络的分层模块化表示的方法,该方法使用层次聚类方法将训练网络应用于 Feature Vectors,以便根据它们与输入和输出维度值的相关性定义隐藏层单元之间的树状关系。
Oct, 2018
引入一种基于 H 矩阵结构的新多尺度人工神经网络,可将其推广到非线性情况,并且能够高效逼近非线性薛定谔方程和 Kohn-Sham 密度泛函理论等离散非线性映射。
Jul, 2018
该论文提出了一种基于预训练模型的多模态语义表示方法,并引入了超像素和多尺度差异图卷积网络来提高视觉语义表达的准确性和精度,从而在多个下游任务学习方面表现出与其他先进方法的竞争力。
Oct, 2023
在图表征学习中,提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架,采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建,并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习,以获得更丰富和更具层次感的表示。通过实验,HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现,并且通过可视化显示,HCL 成功捕捉到了图的有意义特征。
Oct, 2022