一种统一的生成模型用于图学习算法:标签传播、图卷积和组合
本文探讨了标签传播 (LPA) 算法与图卷积神经网络 (GCN) 在节点分类领域中的关系,并基于理论分析提出了一种端到端模型,它将标签传播作为正则化来协助 GCN 学习正确权重,提高了节点分类的准确性。
Feb, 2020
提出了一种基于图滤波器的半监督学习框架,能够将数据特征作为图信号注入图相似性中,并使用低通滤波器从图信号中抽取有用的数据表示,从而实现标签高效的半监督学习,同时能够改善现有的图卷积网络和标签传播方法的建模能力和减少模型复杂度。
Jan, 2019
通过实验证明,在许多标准的节点分类基准测试中,结合忽略图结构的浅层模型和利用标签结构相关性的两个简单的后处理步骤可以比 GNN 在性能上优秀或者与之匹配,同时仅需使用一小部分 GNN 的参数并拥有更快的运行时间。
Oct, 2020
本文从标签传播的角度探索了解耦后的图卷积网络,证明其本质上与两步标签传播是一致的,并揭示了其有效性,提出了一种新的标签传播方法,Propagation then Training Adaptively (PTA),通过动态自适应加权策略克服了解耦后的 GCN 的缺陷。该方法在四个基准数据集上得到经验证明优于现有方法。
Oct, 2020
该论文提出了一种新的框架,利用局部图神经网络和基于置信度的路径调度器,可以在大规模真实数据上可靠地传播标签,同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。
Jul, 2020
该研究探讨了在图形信息存在的情况下,基于图卷积进行数据分类的方法,发现图卷积扩展了数据线性可分的范围,并且在最小化交叉熵损失后,得到的线性分类器具有很好的泛化能力。
Feb, 2021
本文提出了一种适用于深度卷积神经网络的在线构建图形的半监督学习算法,以利用未标记数据提高监督学习的泛化能力。与传统的半监督学习方法相比,我们的方法使用基于网格输出的动态构建图形来更新网络,获得更好的效果。
Nov, 2015
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
该研究提出了一种学习卷积神经网络用于任意图形的框架,以提取本地连接区域。使用公认的基准数据集,我们证明了学习特征表示与最先进的图形核心竞争,并且计算效率很高。
May, 2016
本研究提出了一种统一的生成图卷积网络,通过从现有图数据构建生成图序列的采样,在生成模型框架中自适应地学习所有节点的节点表示,同时使用图重构项和自适应 KL 正则化项对变分下限进行优化,解决了无法处理孤立新节点的问题。
Mar, 2019