提出了一种基于图信号采样理论的离线池式主动半监督学习框架,该框架使用节点选择来最大化从采样集重构信号的频率,以解决有限的已标记数据但有大量未标记数据的问题。
May, 2014
我们提出了一个图信号模型,并将信号恢复任务转化为对应的优化问题,通过交替方向乘子方法提供一般解决方案,然后展示了信号修复、矩阵完成、鲁棒主元分析和异常检测等都与图信号恢复有关,提供了相应的特定解决方案和理论分析,最后在在线博客分类、桥梁状况识别、温度估计、推荐系统和在线博客分类专家意见结合等实际恢复问题上验证了所提出的方法。
Nov, 2014
本文提出一种具有线性对数级的复杂度的图学习算法,并使用已知的最近邻技术来减少变量数目和自动选择模型的正确参数,从而减少计算成本。
Oct, 2017
本文综述了从统计学和物理学等传统观点以及从图信号处理(GSP)角度采用的更近期的方法。本文重点强调了传统和GSP为基础的图推理方法之间的概念上的异同,并强调了后一种方法在许多理论和实践情景中的潜在优势,并结论了未来信号处理和机器学习算法的设计面临的若干开放问题和挑战。
Jun, 2018
该研究介绍了如何利用图信号处理的概念和工具,诸如图滤波器和变换,以开发新的机器学习算法,并提供了未来GSP技术发展的新视角,以解锁在现代数据分析中的许多挑战。
Jul, 2020
从优化恢复的角度考虑了图信号处理中部分观测数据的平滑处理问题,并提出了一种计算最优或接近最优正则化参数的方法,在半合成图信号处理数据集的数值实验中取得了良好效果。
Apr, 2023
该研究提出了一种基于图信号处理(GSP)框架的图学习方法,可以从平滑图信号到指数族噪声分布的各种数据类型对其进行建模,并通过交替算法估计图拉普拉斯和未观测到的平滑表示来处理图机器学习中的常见挑战,其性能优于其他方法。
Jun, 2023
学习Cartesian乘积图的问题,统计一致性的MLE,联合图学习和插补方法
Feb, 2024
Polynomial Graphical Lasso (PGL)是一种学习从节点信号中获取图结构的新方法,模拟节点信号为高斯和图上的静态信号,提出了一个结合图融奕和更全面模型的图学习公式,通过估计图和精确度矩阵的低复杂度算法来解决优化问题的复杂性和非凸性,对合成和真实数据进行全面的数值模拟验证其优越性,为图学习提供了重要进展,能在图感知信号分析及其他应用上发挥作用。
Apr, 2024
本研究针对传统图分类方法在处理跨尺度图时准确度低的问题,提出了一种先进的谱图滤波模型GSpect。该模型通过图小波神经网络和谱池层来有效整合多尺度信息,实验证明GSpect在开放数据集上的分类准确率平均提升了1.62%,在MSG数据集中则提升了15.55%,对脑疾病诊断和新药开发等应用研究具有重要潜在影响。
Aug, 2024