ICMLMay, 2021

基于结构化卷积核网络的航空公司机组排班

PDF
TL;DR引入了结构卷积核网络（Struct-CKN）作为一种支持输出约束的结构化预测框架，将 Mairal 等人的 CKN 结合起来，将 CKNs 推广到了结构化输出，通过一个基于航班的网络建模实现了航空公司机组人员调度问题的初始解。实验证明，这种方法在标准方法上取得了重大改进，降低了解决方案成本 17％，全局约束成本降低了 97％。
发现论文，激发创造
  • 使用受监督的卷积核网络进行端到端核学习

    本文提出了一种基于多层核机的图像表示方法，并通过监督学习来调整核的形态。该方法构建了一种新的卷积神经网络，在一些深度学习数据集上取得了良好的分类表现，表明了该方法在图像相关任务中的应用价值。

    May, 2016

  • CKConv：连续核卷积用于序列数据

    本文提出一种新的卷积神经网络架构，通过将卷积核建模为连续函数，解决了传统神经网络处理序列数据时的梯度爆炸、记忆短视、非定长序列等问题，并在多个数据集上获得了最先进的结果。

    Feb, 2021

  • 用于图结构数据的卷积核网络

    本文介绍了一种多层图形核的家族，并建立了图卷积神经网络与核方法之间的新联系。利用核特征图形的序列表示图形数据，从而将卷积核网络推广到了图形结构数据，实现了高效的数据表示和训练。在多个图形分类基准测试中，该方法实现了竞争性的性能，同时提供了简单的模型解释。

    Mar, 2020

  • 深度手绘输出内核回归用于结构化预测

    我们提出了一种深度神经网络架构家族，其通过 kernel-induced losses 的数据依赖有限维子空间来预测结构化输出，利用梯度下降算法进行训练，并在合成任务和真实世界的监督图预测问题中展示了方法的相关性。

    Jun, 2024

  • 卷积神经网络在图结构数据上的推广

    本研究介绍了一种卷积神经网络的泛化方法，使其适用于图形结构数据，使用随机游走揭示输入数据内部关系，通过学习底层图将其应用于许多标准分类或回归问题。

    Apr, 2017

  • 带有改进随机游走核的描述性卷积网络

    该研究提出了改进的图核函数 RWK+，引入了颜色匹配的随机游走并导出了高效的计算方法，进而提出了使用 RWK + 为核心的 KCN 模型 RWK+CN，通过无监督目标学习描述性图特征。此外，该研究还在实验中展示了 RWK + 的表达能力以及 RWK+Conv 层在图级任务上的有效性，并说明了 RWK + 和 RWK+Conv 在各种真实世界应用中的适应性。

    Feb, 2024

  • 卷积核网络

    通过用一种新型卷积神经网络（CNN）来编码不变性的再生核，本文解决了视觉识别中旨在设计对特定变换具有不变性的图像表示的问题， 其中与传统方法不同的是，我们的网络学习在训练数据上逼近核特征映射，从而带来了多个优势，包括获得具有不变性的简单神经网络体系结构，实现与更复杂 CNNs 相似的准确度，以及抵抗过拟合等。

    Jun, 2014

  • 可变形核网络用于联合图像滤波

    该论文提出了 DKN 卷积神经网络架构及其高效实现，使用稀疏且空间可变的滤波核进行图像增强和降噪，并在深度图上采样，显著优于现有技术。

    Oct, 2019

  • 利用图卷积循环神经网络进行结构化序列建模

    本文介绍了图卷积循环网络（GCRN），这是一种深度学习模型，能够预测结构化数据序列。GCRN 是经典递归神经网络（RNN）在任意图结构数据上的泛化。该模型将图上的卷积神经网络 (CNN) 与 RNN 相结合，以找出动态模式和空间结构，并将其应用于 MNIST 数据预测和 Penn Treebank 数据集的自然语言建模。实验表明，同时利用数据的图空间和动态信息可以提高精度和学习速度。

    Dec, 2016

  • 核图卷积神经网络

    本文旨在利用图形核函数解决图形数据处理问题，通过选取合适的滤波器、池化层以及前馈神经网络进行特征学习，最终在十个基准数据集的七个中达到了优异的表现。

    Oct, 2017