May, 2023

通过正非交换多项式进行光谱异构图卷积

PDF
TL;DR本文提出了一种基于正非交换多项式的新颖异构卷积神经网络 ——PSHGCN，可用于在异构图中学习谱图卷积，实现节点分类任务中卓越的性能。
heterogeneous graph neural networksspectral-based gnnspshgcnpositive noncommutative polynomialsnode classification tasks
发现论文，激发创造
  • 基于图卷积网络的高光谱图像分类

    探讨使用最小批次图卷积网络和融合策略，对高光谱图像进行分类识别的性能提升。

    Aug, 2020

  • 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

  • 面向异构图学习网络的关系中心化池化和卷积方法

    提出了一种基于关系聚合和卷积 (PC-HGN) 的异构图神经网络模型，它可以进行关系特定的采样和跨关系卷积，从而更好地将图的结构异质性编码到嵌入空间中，与其他现有的图学习模型相比，其性能得到了最大 17.8％的提升。

    Oct, 2022

  • 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

  • 谱图神经网络的强大程度

    本文研究了基于图信号滤波器的谱图神经网络的表达能力，证明了无需非线性函数就可产生任意图信号，并建立了表达能力与图同构测试之间的联系。提出了一种名为 JacobiConv 的新型谱图神经网络，该网络能在不使用非线性函数的情况下超越所有对比算法。

    May, 2022

  • 对比图卷积网络用于高光谱图像分类

    本文提出了一种基于对比学习的图卷积网络模型（ConGCN）来增强高光谱图像分类任务的特征表示能力，通过使用半监督对比损失函数和图生成损失函数从光谱信息和空间关系中挖掘出最大的监督信号。实验结果表明，该模型在四个典型的基准数据集上取得了显著的性能提升。

    May, 2022

  • 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

  • Clenshaw 图神经网络

    本文介绍 ClenshawGCN 模型，采用 Clenshaw 求和算法增强 GCN 模型的表现力，通过两种残差模块来模拟多项式滤波器，从而提高了在异构图上的学习表现，实验结果表明，我们的模型优于空间和谱 GNN 模型。

    Oct, 2022

  • 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

  • 基于谱图卷积的基因型疾病预测

    本文介绍了在人群的脑分析中，将图卷积网络（GCN）应用于包括成像和非成像数据的稀疏图中，以推断未标记节点的类别，并在分类任务中整合上下文信息的潜力。该方法在 ABIDE 和 ADNI 数据库上取得了良好的性能。

    Mar, 2017