基于流形学习的图卷积网络用于半监督图像分类

Apr, 2023

基于流形学习的图卷积网络用于半监督图像分类

Graph Convolutional Networks based on Manifold Learning for Semi-Supervised Image Classification

Lucas Pascotti Valem, Daniel Carlos Guimarães Pedronette, Longin Jan Latecki

TL;DR本文提出一种基于图卷积神经网络的半监督图像分类方法，采用不同类型的流形学习策略，通过无监督学习的方式实现了对于有限标注数据的图像分类任务，实验结果表明该方法优于传统和现有技术，并且运行时间高效。

Abstract

Due to a huge volume of information in many domains, the need for classification methods is imperious. In spite of many advances, most of the approaches require a large amount of labeled data, which is often not available, due to costs and difficulties of manual labeling processes. In this scenario, unsupervised and semi-supervised approaches have been gaini

发现论文，激发创造

半监督学习中图卷积网络的深入洞察

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

N-GCN：用于半监督节点分类的多尺度图卷积

该研究提出了一种名为N-GCN的模型，将图卷积网络和随机游走中的信息融合，训练多个GCNs实例，并学习组合不同距离下的节点对的实例输出，实现优化分类目标。实验证明，该模型在节点分类任务上表现优异，具有良好的通用性和鲁棒性。

Feb, 2018

半监督学习的图拉普拉斯正则化图卷积网络

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

用于半监督节点分类的分层图卷积网络

本研究提出了一种新的深层分层图卷积网络(H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

Feb, 2019

基于分层多图网络的图像分类

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。

Jul, 2019

从优化角度重新审视半监督节点分类中的图卷积网络

本文从优化的角度解释了当前的图卷积操作存在的过度平滑问题，并引入了两个衡量节点级任务上过度平滑的度量标准，提出了一种新的卷积核GCN+，并在真实的数据集上证明了其在节点分类任务上的优秀性能表现。

Sep, 2020

深度流形学习与图挖掘

提出了一种新的图形深模型，其中将流形学习与标签局部结构保留相结合，以捕获节点的拓扑信息，并使用非梯度决策层作为 GCN 的决策层。该模型的收敛速度较快，与当前模型相比，取得了最先进的性能表现。

Jul, 2022

几何图形滤波器和神经网络: 极限特性与区分度的权衡

本文通过对图神经网络和流形神经网络在图构建、卷积核和神经网络等方面的分析，得出了一种针对该关系的适当内核及其密集和中等稀疏图的非渐进误差界定理，并探讨了图过滤器的可区别性和近似期望行为之间的权衡关系，并分析了非线性操作的频率混合特性和相同流形采样的几何图的可转移性推论，并在导航控制问题和点云分类任务上验证了其结果。

May, 2023

从聚类假设到图卷积：重新思考基于图的半监督学习

本文通过在统一的优化框架中理论讨论了传统浅层学习方法与基于图卷积网络（GCNs）的关系，并提出了三种简单但强大的图卷积方法，包括有监督方法OGC以及两种无监督方法GGC和其多尺度版本GGCM，最后通过大量实验证明了我们方法的有效性。

Sep, 2023

图神经网络在统计泛化中的多样视角

通过流形理论，分析在由流形样本构造的图上操作的图神经网络的统计泛化差距，研究了图神经网络在节点级和图级任务上的泛化差距。在训练图中节点数量增加时，泛化差距减小，从而保证图神经网络对流形上的未见点的泛化性能。通过多个真实世界数据集验证了我们的理论结果。

Jun, 2024