提出了 Spatial Graph Convolutional Network (SGCN) 来改进 Graph Convolutional Networks (GCNs),SGCN 利用了空间特征来有效地学习从自然定位的图形中,经过实验证明,SGCN 优于现有的图形方法在图像分类和化学任务上的表现。
Sep, 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
本文介绍一种名为 PathSAGE 的模型,它使用 Transformer 编码器聚合从中心节点开始的路径样本,以学习高阶拓扑信息,提高模型的性能,并避免了太深的 GCNs 可能会遇到的 “邻居爆炸” 和 “过度平滑” 问题,同时在归纳学习任务中达到了与最先进模型相当的性能表现。
Mar, 2022
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
本文提出了一种图拉普拉斯图卷积网络 (gLGCN) 方法,该方法通过编码图结构和节点特征同时保持局部不变性约束,用于图数据表示和半监督分类,并在实验中证明了其有效性。
Sep, 2018
本文提出了一个叫做 Scattering GCN 的方法,将传统图卷积神经网络与几何散射变换和残差卷积相结合,以提高半监督节点分类的性能。实验结果显示,与最新提出的图神经网络相比,这种方法在处理图数据时具有优越性能。
Mar, 2020
本研究探讨了基于 Graph Convolutional Networks 的最佳实践,旨在利用 GCNs 自然的多关系数据建模能力和处理不规则输入图片的能力,在 MNIST、CIFAR-10 和 PASCAL 数据集上甚至优于 CNNs 的图像分类表现。
本文提出了一种自适应传播的图卷积网络(AP-GCN),通过节点自适应的通信步数和交换协议来平衡通信和精确度的关系,实现了优秀的图数据推断表现。
Feb, 2020
本文提出了一种新的超半球几何图卷积神经网络(Lorentzian graph convolutional network,LGCN)来学习超半球几何中的节点特征,并在 6 个数据集上的实验表明,相比于现有的超半球几何图卷积神经网络方法,LGCN 在学习类似树形的图的表示时存在更低的畸变,并且有些超半球几何图卷积神经网络的性能使用本文所定义的图操作可以得到改进。
Apr, 2021