通过引入语义 - 结构注意力增强图卷积网络(SSA-GCN),本研究在提取顶点分类性能方面不仅对图结构进行建模,还从无监督特征提取的角度提取通用特征,通过交叉注意力机制整合这些特征,以增强图卷积网络的泛化能力。在 Cora 和 CiteSeer 数据集上的实验证明了我们提出的方法所取得的性能提升,而且在隐私设置下表现出优异的准确性,使其成为图数据分析的坚实有效解决方案。
Mar, 2024
本文提出了一种新的基于几何学聚合的 aggregation 方案,包含三个模块:节点嵌入,结构化邻域和双层聚合,并将其实现到图卷积网络中,命名为 Geom-GCN。在多个开放数据集上的实验结果表明,Proposed Geom-GCN 已经达到了当前状态的最佳性能。
Feb, 2020
本文提出了基于图卷积神经网络的 Graph Learning Network 模型,用于解决社区检测、节点分类、链路预测等任务,并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。
May, 2019
我们提出了 GraLSP—— 一种图神经网络框架,通过随机匿名游走显式地将局部结构模式纳入邻域聚合中,设计了各种机制来解决结构特征的影响,包括自适应感受野、注意力和放大,并设计了捕捉相似性的目标,结合节点邻近度目标进行优化。
Nov, 2019
本文提出将结构网络和功能网络耦合起来,提出一种联合图卷积网络(Joint-GCN)以分析结构和功能网络之间的关系,并在预测大脑白质网络年龄和性别方面进行应用,结果表明联合 - GCN 比现有的多模态图学习方法更有效。
Oct, 2022
建立了一种可端到端学习的可微图生成器,用于动态构建拓扑结构和节点选择,应用于图卷积网络的轨迹预测、点云分类和节点分类等任务,提高了准确性。
Jul, 2023
本文介绍了一种名为 Graph Topic Model (GTM) 的基于图形神经网络 (GNNs) 的神经主题模型,通过信息交互捕捉图形节点之间的关系,将文档和词汇转化成为图中的节点,并根据共现性连接,通过图卷积汇聚邻居节点信息从而通过共享单词在文档之间建立关系,扩充了文档的主题的表达方式。研究者还基于三个数据集开展了广泛的实验,其结果证明了这种方法的有效性。
Sep, 2020
本研究通过图卷积网络(GCN)对图进行编码,引入了一种新的密集连接策略,提出了一种新型的密集连通图卷积网络(DCGCN)来集成本地和非本地特征,以更好地学习图的结构表示,并在 AMR-to-text 生成和基于语法的神经机器翻译上明显优于现有的神经模型。
Aug, 2019
这篇研究论文介绍了一种简单有效的方法来将句法结构融入到神经注意力编码解码模型中,以实现机器翻译。文中使用了预测的源句子句法依赖树,用于生成敏感于句法周边的单词表示,以达到最佳效果。研究的实验结果表明,在英德翻译和英捷翻译方面的所有设置中,与其不考虑语法结构的版本相比,该方法均有显著的改善。
Apr, 2017
本文提出了一种新型 GCNs 模型:自适应多通道图卷积网络 (AM-GCN),以更好地融合和提取节点特征和拓扑结构之间的深度相关信息,并在半监督分类任务上取得了明显的精度提升。
Jul, 2020