本文提出了一种改进的基于谱的图卷积网络,通过利用重新定义的拉普拉斯矩阵改进传播模型,可以直接处理定向图,并在半监督节点分类任务中表现出比当前最先进的方法更好的效果。
Jul, 2019
通过挑战经典的图形拉普拉斯算子,设计出一种可以证明在频谱域内具有鲁棒性的新卷积算子,它被纳入 GCN 体系结构中以改善其表达能力和可解释性,同时通过将原始图形扩展到一系列图形,提出了一种鲁棒的训练范式,以鼓励跨越具有一系列空间和频谱特征的图形的可转移性,这些方法在广泛的实验中得到证明,可以同时提高在良性和对抗性情况下的性能。
May, 2019
基于 Laplacian 算子,谱图卷积神经网络是一种用于图数据的卷积网络,并已被证明可以稳定地在不同大小和连接性的图之间传输谱滤波器,在图回归、图分类和节点分类等任务中表现出良好的性能。
Dec, 2020
该研究探讨了基于中频信号滤波器的图卷积网络 Mid-GCN,通过在六种基准图数据上的实验,验证了其在对抗攻击下节点分类准确性方面的有效性。
Feb, 2023
本文中提出了一种基于对称拉普拉斯特征值的图形裁剪增强方法和通过全局随机游走的局部子图对齐来改进图对比学习方法,并在不同类型的图表现中体现出更好的性能。
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
本文提出了一种基于小波的图卷积网络 WaveGC,通过集成多分辨率的谱基和矩阵值滤波器核心,实现有效捕获和分离短程和长程信息,提供了更高的灵活性和表达能力,并在短程和长程任务中相比现有模型取得了改进。
May, 2024
本文探讨了谱图卷积网络(GCNs)在变量图结构和大小的情况下解决图分类任务的效力,提出了一种从多关系图中学习的新型多图网络,并成功地在多个化学分类基准测试中取得了竞争性的结果。
Nov, 2018
在图学习领域中,传统智慧认为谱卷积网络只能在无向图上部署:只有在这种情况下,才能保证存在一个明确定义的图傅里叶变换,以便在空间域和频谱域之间进行信息翻译。然而,我们通过使用复分析和谱理论中的某些高级工具,证明了这种对图傅里叶变换的依赖是多余的,并将谱卷积扩展到了有向图上。我们提供了对新开发的滤波器的频率响应解释,研究了用于表示滤波器的基函数的影响,并讨论了网络所基于的特征算子之间的相互作用。为了彻底测试所开发的理论,我们在真实的环境中进行了实验,展示了有向谱卷积网络在许多数据集上对异质节点分类提供了最新的最优结果,并且与基准线相比,可以在不同拓扑扰动的分辨率尺度下保持稳定。
Oct, 2023
本文总结了谱图神经网络的最新发展,包括模型、理论和应用等方面的内容,其中介绍了谱性 GNN 能够捕捉全局信息,并具有更好的可表达性和可解释性。通过对现有谱性 GNN 的分析,本文梳理了主要理论结果和应用,最后进行了定量实验来评估几种常见的谱性 GNN 模型,为未来的研究提出了一些方向。