介绍一种基于统计分析和高斯分布网络激活的方法,用于实现更紧凑的第二阶池化网络表示,以优于压缩或未压缩第一阶和第二阶模型,在多个基准识别数据集中进行了实验验证。
Jan, 2018
提出了 HoscPool,一种基于聚类的图池算子以及它的聚类组件,通过最小化松弛的基元谱聚类来学习概率群分配矩阵,从而丰富图形表示,并在图分类任务和地面真实社区结构图上取得了最佳表现。此外,对汇集算子的内部功能进行了深入的实证分析。
Sep, 2022
本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用,该算子能够在池化过程中利用节点特征和局部结构,与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m,实验结果表明该框架具有良好的效果。
Apr, 2019
本文提出一种基于自注意力机制的图池化方法,使用图卷积实现自注意力,同时考虑节点特征和图拓扑结构,实验结果表明该方法在基准数据集上具有优异的图分类性能。
本文针对在深度卷积网络较早的层次有效引入二阶表示进行非线性建模的问题,提出了一种新的网络模型,并利用全局二阶池化 (GSoP) 对低到高层次进行二阶表示引入,使图像信息得到全面利用,实验结果表明,在 ImageNet-1K 数据集上,该网络模型优于同类网络,具有最先进的结果。
Nov, 2018
提出使用持久同调和地标的复合拓扑池化层并设计新的局部和全局可学习的拓扑表示方法以从图中提取有区分性的拓扑信息,该方法在 11 个不同的基准数据集上超过 18 个基线模型,显示出对比竞争对手更佳的实验表现。
Mar, 2023
本文研究图形池化(Graph pooling)对图神经网络(GNN)性能的影响,使用随机化或补图聚类的变体挑战了保留局部性表示的必要性,并表明了卷积层在学习表示中的领导作用。与普遍认为的不同,局部池化并非导致 GNN 在相关且广泛使用的基准测试中获得成功的原因。
Oct, 2020
本文提出了 DiffPool 模型,可以生成层次化的图表示,并可与各种图神经网络结构直接相结合。实验结果表明,结合 DiffPool 模型的 GNN 方法在图分类基准测试中的准确性平均提高了 5-10%,相比所有现有的汇聚方法,实现了四个基准数据集的新的最优性。
Jun, 2018
本文介绍了使用神经架构搜索技术搜索适当的池化方法用于图分类问题,并提出了一个可以涵盖现有人工设计的池化方法的框架,并在此框架上设计了一个新的搜索空间,在六个真实世界的数据集上做出了有效和高效的实验。
Aug, 2021
本研究提出了一种新的 Graph Neural Networks 模型 ——Tensorized Graph Neural Network(tGNN),采用张量分解来模型高阶非线性节点交互和计算图形表征,并在节点和图分类任务中得到了超越竞争基线的表现。
May, 2022