本文研究机器学习领域的图半监督学习,提出了基于图卷积网络的深度学习方法,解决了图卷积网络机制不清晰及需要大量标注数据的问题,并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证,研究结果具有实际应用价值。
Jan, 2018
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
该研究提出了一种名为 N-GCN 的模型,将图卷积网络和随机游走中的信息融合,训练多个 GCNs 实例,并学习组合不同距离下的节点对的实例输出,实现优化分类目标。实验证明,该模型在节点分类任务上表现优异,具有良好的通用性和鲁棒性。
Feb, 2018
基于广义聚合网络和拓扑自适应图卷积网络的混合方法,适用于顺序数据和静态数据的类型,在节点和图分类中都有良好的表现。
Mar, 2024
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
本文介绍了一种解决 GCN 在拓扑限制、特征与拓扑之间不平衡以及局部同质性等问题的新型架构 BiTe-GCN,在文本丰富的网络上进行双向拓扑与特征卷积,并引入了判别式卷积机制。在 J.D. 搜索等实际应用中得到了突破性的性能提升。
Oct, 2020
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
本文提出了一个处理节点内容嘈杂且稀疏的特征关注图卷积学习框架,采用长短期记忆网络学习每个节点的密集表示,引入特征 - 注意机制,允许相邻节点学习和变化特征重要性,并使用基于谱的图卷积聚合过程,该方法在不同噪声水平下表现出优于现有方法的性能。
Dec, 2019
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