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

unsupervised learning semi-supervised learning graph convolutional neural networks manifold learning image classification

发现论文，激发创造

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

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

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

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

流形 GCN: 基于扩散的流形值图卷积神经网络

基于黎曼流形的图神经网络模型中，我们提出了两个关键的图神经网络层。第一个是扩散层，其基于流形值图扩散方程，适用于任意数量节点和图的连通模式。第二个是切线多层感知机层，借鉴了向量神经元框架的思想，并在一般的情境中应用。这两个层在节点排列和特征流形的等变性方面表现出非常好的性能。在合成数据和海马右侧三角网格对阿尔茨海默病分类的数值实例中，我们的模型均取得了非常好的性能。

Jan, 2024

使用混合模型 CNN 对图和流形进行几何深度学习

这篇论文提出了一个以卷积神经网络为基础的统一框架，以推广 CNN 的应用领域到非欧几里得结构的数据，如图形和流形，并且发现这个框架可以在图像、图形和三维形状分析的标准测试中取得更好的性能。

Nov, 2016

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

自监督训练的图卷积网络

本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息，以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证，展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。

Jun, 2020

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

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