本文提出了使用改进的信息重构器 ——WGDN,它采用基于图维纳滤波器的增强型解码器,并分析理论证明了图维纳滤波器的出色重构能力。实验结果表明该模型比基于对比学习的模型更有效,同时也证明了具备强大解码能力的预测模型可以获得可比甚至更好的表示能力。
Jun, 2022
本文介绍了如何将图滤波解卷积步骤纳入经典的几何卷积神经网络流程中,通过罕见的群稀疏恢复问题实现作用于通过稀疏解卷积过程后的图信号,提高分类性能,并通过数值实验表明了在合成和真实世界设置中解卷积步骤的有效性。
Sep, 2018
提出一种名为图修正卷积网络(GRCN)的框架,通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正,以避免过度参数化或简单的重新加权观察到的边缘的问题,并且在六个基准数据集上的实验结果表明,与强基准方法相比,GRCN 始终表现出较大的优势,尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。
Nov, 2019
本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs,它可以在多个潜在空间适应性地执行卷积操作,并捕获节点之间的短 / 长距离依赖关系,从而处理异构性,并在六个异质性图数据集中实现节点分类任务的最佳性能。
Dec, 2021
本文中,作者提出了一种使用图卷积层的卷积神经网络,以利用局部和非局部相似性以实现去噪任务,并取得了比传统卷积神经网络更好的效果。
May, 2019
探索了图神经网络(GNN)如何进行信号去噪,并提出了两种新的模型,GSDN-F 和 GSDN-EF,并且证明了该理论框架以及新模型在基准数据集上的有效性。
Jun, 2020
通过消除 GCN 中的不必要的非线性和权重矩阵,我们提出了一种线性模型,它对应于一个固定的低通滤波器,然后是一个线性分类器。 在许多下游应用中,我们的实验评估表明这种简化并不会对精度产生负面影响。 此外,由于我们的模型简化减少了计算量,因此我们的模型在更大的数据集上具有可扩展性,并且具有更快的推理速度。
Feb, 2019
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
本研究提出了一种名为 DGCN 的新型 GCN 模型,通过利用一阶和二阶接近度来将其扩展到有向图,可以保留有向图的连接属性并扩展卷积操作的感受野,实验证明只用 DGCNs 可编码更多有用的图信息并在推广到其他模型时提高性能。
Apr, 2020
本文利用图信号处理来表征图神经网络(GNNs)的表征空间,讨论了图卷积滤波器在 GNNs 中的作用,并展示了这类滤波器所建立的任何架构都具有置换等变性和对网络拓扑的稳定性的基本属性。然后,我们讨论了扩展了边变量和自回归移动平均图滤波器的 GNNs 以及它们的属性,并最终研究了在推荐系统和学习机器人群体的分散式控制器中使用 GNNs 的相关研究。
Mar, 2020