多视角自适应图卷积用于图分类

ECCVJul, 2020

Multi-view adaptive graph convolutions for graph classification

Nikolas Adaloglou, Nicholas Vretos, Petros Daras

TL;DR该研究提出了一种新的基于图的神经网络的多视图方法，它开发了一种系统和方法论的调整，针对非欧几里得流形的上下文进行了卷积、池化和多视图结构等经典深度学习方法的关键概念，提出了一种新的基于视图的卷积层和新的视图池化层，以综合从多个视图生成的信息，并在端到端的图神经网络架构中用于图分类，并展示了与其他最先进方法相竞争的结果。

Abstract

In this paper, a novel multi-view methodology for graph-based neural networks is proposed. A systematic and methodological adaptation of the key concepts of classical →

multi-view methodology graph-based neural networks graph convolution layer view pooling layer deep learning methods

发现论文，激发创造

Multi-GCN: 多视图网络的图卷积网络，应用于全球贫困问题

本文研发了一种基于图卷积网络的多角度网络学习方法，通过分析多个发展中国家的移动电话数据集，证明该方法在贫困研究及其他多角度网络学习任务上表现出优异的性能。

Jan, 2019

等变多视角网络

本文提出了一种基于群卷积的多视图融合方法，实现对所有视图的联合推理，并通过对旋转群的离散子群进行卷积来维持等变性，从而在多个大规模的 3D 形状检索任务中取得了新的最高水平，并且在全景场景分类方面也有额外的应用。

Apr, 2019

可学习的图卷积网络和特征融合用于多视角学习

本文提出了一种新的基于图卷积神经网络和特征融合的联合深度学习框架，该框架旨在从异构视角中学习潜在的特征表示，并探索可区分的图融合，通过 Learnable Graph Convolutional Network and Feature Fusion (LGCN-FF) 方法能够有效地提高多视图半监督分类的准确度。

Nov, 2022

自适应图卷积神经网络

本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络（Graph CNNs），在九个图结构数据集上，实现了收敛速度和预测精度方面的显著性能提升。

Jan, 2018

多维图卷积网络

本文研究了面向多维图形的图卷积网络模型 mGCN，旨在捕捉学习多维图形节点级表示中的丰富信息，并在真实世界的多维图形上进行了全面实验，证明了该框架的有效性。

Aug, 2018

异构网格卷积：适应性、高效性和可控计算

通过生成一种数据自适应的图形结构并利用方向感知图形卷积，本文提出了一种新型的异构网络卷积模型，并在四个图像理解任务上进行了评估。

Apr, 2021

一致图的多视图图学习

基于共识正则化的多视图图形学习方法，通过学习共识图表征视图的共同结构，优于现有方法，并应用于推断多个受试者的功能性脑连接网络。