ICMLMar, 2022

基于超图和无向图的等效性的超图卷积网络

PDF
TL;DR提出了 GHSC 框架，它不仅处理具有边独立顶点权重（EIVWs）的超图，还处理具有边相关顶点权重（EDVWs）的超图，并能够利用现有的 GCNN，从而大大简化了超图神经网络的设计。
hypergraphsdeep learningvertex weightsgeneral learning frameworkgraph convolutional neural networks
发现论文，激发创造
  • 有向图卷积网络

    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

  • 超图随机游走、拉普拉斯和聚类

    提出了一种基于随机游走的灵活的超图数据聚类框架，该框架利用了依赖于边缘的顶点权重。通过使用边缘相关的顶点权重，我们说明了如何构建不同的超图拉普拉斯矩阵，并针对多个真实应用程序中的数据集进行了比较试验，结果表明该方法产生了更高质量的聚类结果。

    Jun, 2020

  • 具有边相关顶点权重的超图上的随机游走

    本文研究使用有边依赖节点权重的随机游走来发展超图的谱理论，并且给出了对于这种超图随机游走等价于图随机游走的条件，同时通过使用真实数据集展示了有边依赖节点权重的超图在排序应用中的优势。

    May, 2019

  • 基于高斯函数的图卷积算法

    本研究提出了一种基于高斯的卷积滤波器的框架 (GIC)，旨在解决非规则图的局部卷积滤波问题，之后在几个公共图分类数据集上验证了该方法的有效性和卓越的性能.

    Nov, 2018

  • 基于频谱的有向图卷积网络

    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

  • 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

  • HoloNets：光谱卷积扩展到有向图

    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

  • 基于 1-Laplacian 的边相关节点权重的超图谱聚类

    提出了一种灵活的超图 1-Laplacian 定义框架，包括依赖于边的顶点权重，以反映超边内不同顶点的重要性，增强了超图模型的表现能力。利用超图 1-Laplacian 的第二个最小特征向量进行聚类，可以实现比传统 Laplacian 更高的聚类精度，而且该方法可以在现实数据集上得到验证。在特定情况下，超图 1-Laplacian 等效于相关图的 1-Laplacian，可以更有效地计算特征向量，方便应用于更大的数据集。

    Apr, 2023

  • 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

  • 具有图卷积神经网络的稳健空间滤波

    本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用，证明该方法在文档和分子分类问题方面具有国际领先水平。

    Mar, 2017