May, 2023

学习正确的层级：一种基于数据驱动的多层图半监督学习层聚合策略

PDF
TL;DR本研究提出了一种针对多层图所进行的聚类方法，其中采用了基于 Laplacian 正则化的非参数模型，并结合修改后的 Label Propagation 迭代方法，成功地进行了半监督学习，使得每一层所具有的信息内容更为丰富，聚类效果得到显著提高。
clusteringmultilayer graphssemi-supervised learninglaplacian-regularized modellabel propagation
发现论文，激发创造
  • 高效学习图形进行半监督学习

    本研究提出了一种利用多个数据集学习半监督学习图的算法，最终实现了在已知图或者未知图的情况下提高计算效率。

    Jun, 2023

  • 基于注意力机制的图神经网络半监督学习

    本文提出一种使用注意力机制的图神经网络，通过去除中间的全连接层，并结合图结构实现对邻域的动态自适应的总结，从而达到降低参数数量，提高半监督学习效果的目的。

    Mar, 2018

  • 图上的逐层训练自监督学习

    图神经网络 (GNN) 的端对端训练在大型图上存在多个存储和计算上的挑战，通过自监督的方式，我们提出了逐层规则化图信息最大化算法以逐层训练 GNN，通过解耦特征传播和特征转换来学习节点表示，从而得出基于对未来输入预测的损失函数。我们在归纳大型图上评估了算法，并展示了类似于其他端对端方法的性能，以及大幅提高的效率，使得能够在一个设备上训练更复杂的模型。我们还展示了我们的算法避免了表示过度平滑的问题，这是深度 GNN 的另一个常见挑战。

    Sep, 2023

  • 基于图滤波的高效半监督学习

    提出了一种基于图滤波器的半监督学习框架，能够将数据特征作为图信号注入图相似性中，并使用低通滤波器从图信号中抽取有用的数据表示，从而实现标签高效的半监督学习，同时能够改善现有的图卷积网络和标签传播方法的建模能力和减少模型复杂度。

    Jan, 2019

  • 基于多层图谱的聚类：谱学视角

    本文提出了两种新方法来有效地将多层图的频谱结合起来，通过联合矩阵分解和图正则化框架来提高顶点的聚类效果，同时在社交网络数据集上显示出了优异的性能。

    Jun, 2011

  • 基于紧致潜空间聚类的半监督学习

    本文介绍了一种新的成本函数来进行神经网络的半监督学习，该函数通过动态创建一个图形来捕获特征空间中的潜在结构，并使用标签传播来估计其高和低密度区域，最终利用马尔科夫链设计出一种成本函数，以形成每类一个单一的紧凑簇，同时在优化过程中避免扰乱现有的簇，该方法在三个基准测试中表现良好，将基于图形的正则化的优点与高效的归纳推理相结合，不需要修改网络架构，可以轻松应用于现有网络，实现对未标记数据的有效利用。

    Jun, 2018

  • 半监督学习的适当加权图拉普拉斯算子

    本文介绍了一种针对大数据量下半监督学习中图拉普拉斯方法性能下降问题的解决方案，通过正确设置拉普拉斯正则化的权重使得估计器在大样本情况下保持良好状态，并证明了其收敛性，最终实现连续达到标记值的问题平滑解，且方法实现快捷简便。

    Oct, 2018

  • 基于图的半监督学习的灵活生成性框架

    本文提出了一个基于图结构的半监督学习的生成框架，通过逼近节点特征，标签和图结构的联合分布，使用可扩展的变分推断技术来推断缺失的标签，并在基准数据集上进行了全面的实验，结果表明该方法在大多数设置中优于现有的最先进模型。

    May, 2019

  • 图卷积网络的半监督分类

    本研究提出了一种可扩展的半监督学习方法，该方法基于一种直接作用于图形的高效卷积神经网络变体，通过局部一阶逼近实现了谱图卷积的选择，其模型在节点数量上线性地扩展并学习编码局部图结构和节点特征的隐藏层表示，在引用网络和知识图数据集上的若干实验中，证明了我们的方法的明显优越性。

    Sep, 2016

  • Laplacian 正则化分层模型中的联合图学习和模型拟合

    本文讨论了 Laplacian regularized stratified models (LRSM) 的图权重敏感性问题，并提出了一种通用的学习图权重和模型参数的解决方案。我们从图连通性和贝叶斯视角解释了所提出的公式，并提出了一种有效的算法来解决问题。我们还提供了所提出的优化算法的收敛保证，最后我们通过各种现实世界的数值例子证明了我们的方法相对于现有方法的效率。

    May, 2023