Feb, 2022

卷积神经网络在图上的 Chebyshev 逼近，重温

PDF
TL;DR本文的研究目的是通过 Chebyshev 多项式的逼近来研究光谱卷积网络的设计问题。我们发现 ChebNetII 能够学习任意的图卷积并在全监督和半监督的节点分类任务中显示出优异的表现。
spectral convolutional networkschebyshev polynomialsgraph learninggnn modelnode classification
发现论文，激发创造
  • BernNet: 基于 Bernstein 逼近学习任意图的谱滤波器

    提出 BernNet 作为一种新型图神经网络，它通过 Bernstein 多项式逼近设计和学习任意图谱滤波器，能够学习任意的谱滤波器而不仅仅是预定义的或无约束的，从而在现实世界的图形建模任务中取得了出色的性能表现。

    Jun, 2021

  • 分子中的关系发现和融合的光谱多图网络

    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

  • 基于二维图卷积的谱图神经网络

    提出了一种名为 2-D graph convolution 的新卷积范式，通过应用 Chebyshev 插值在 ChebNet2D 上实现，以解决现有光谱图神经网络在执行光谱图卷积时存在的关键问题。

    Apr, 2024

  • 通过一般的谱小波推进图卷积网络

    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

  • 分布式信号处理的切比雪夫多项式逼近

    本文提出了一种利用 Chebyshev 多项式实现图傅里叶乘子的分布式计算方法，并基于该方法进行了分布式降噪任务，结果表明该方法在网络规模较大时的通信要求更为优秀。

    May, 2011

  • 优化多项式图滤波器：一种新的自适应克莱洛夫子空间方法

    该论文提出了一种新的自适应 Krylov 子空间方法，通过优化多项式基，在图谱上实现了对不同异质度的图进行自适应滤波，并利用扩展的 AdaptKry 捕捉图的复杂特征并提供对其内在复杂性的见解。

    Mar, 2024

  • 通过正非交换多项式进行光谱异构图卷积

    本文提出了一种基于正非交换多项式的新颖异构卷积神经网络 ——PSHGCN，可用于在异构图中学习谱图卷积，实现节点分类任务中卓越的性能。

    May, 2023

  • 增强带通滤波器逼近的光谱图神经网络的提升

    Spectral Graph Neural Networks (GNNs) have been widely used for graph learning tasks, but existing poly-GNNs face issues in approximating band-pass graph filters. In this paper, a novel poly-GNN called TrigoNet is proposed, which constructs graph filters using trigonometric polynomials and achieves superior performance in approximating band-pass graph filters.

    Apr, 2024

  • ChebMixer: 高效的 MLP Mixer 图表示学习

    本研究提出了一种名为 ChebMixer 的新型架构，它使用快速的基于 Chebyshev 多项式的谱滤波来提取一系列的节点表示，通过 MLP Mixer 对每个节点的多尺度表示进行改进，最终通过 Chebyshev 插值来聚合节点的多尺度表示，以提高下游任务的性能。

    Mar, 2024

  • 谱图神经网络的强大程度

    本文研究了基于图信号滤波器的谱图神经网络的表达能力，证明了无需非线性函数就可产生任意图信号，并建立了表达能力与图同构测试之间的联系。提出了一种名为 JacobiConv 的新型谱图神经网络，该网络能在不使用非线性函数的情况下超越所有对比算法。

    May, 2022