Jun, 2023

基于谱特征的图分类高斯过程

PDF
TL;DR本文提出根据图的结构和节点属性对其进行分类的方法，使用图信号处理中的频谱特征派生两种高斯过程模型进行图分类 —— 第一种，基于图谱频谱能量信号分布的频谱特征；第二种，旨在捕捉图中多尺度和局部的模式，通过学习谱图小波滤波器来获得更好的性能。最后，表明二者均产生良好的不确定度估计，可以基于模型预测进行可靠的决策。
发现论文，激发创造
  • 图谱谱域图像处理

    该论文综述了最近图信号处理中用于图像处理的基于图谱技术，主要涉及图像压缩、图像修复、图像滤波和图像分割等方面。

    Jan, 2018

  • 谱图神经网络调研

    本文总结了谱图神经网络的最新发展，包括模型、理论和应用等方面的内容，其中介绍了谱性 GNN 能够捕捉全局信息，并具有更好的可表达性和可解释性。通过对现有谱性 GNN 的分析，本文梳理了主要理论结果和应用，最后进行了定量实验来评估几种常见的谱性 GNN 模型，为未来的研究提出了一些方向。

    Feb, 2023

  • 机器学习的图信号处理：一份综述和新视角

    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

  • 图分类的简单基线算法

    提出一种快速、基于图拉普拉斯光谱分解的算法来进行图分类，与现有先进算法相比取得了竞争性的结果。

    Oct, 2018

  • 基于频谱扩散的图生成

    本文介绍了 GRASP 模型，这是一种基于图拉普拉斯矩阵的频谱分解和扩散过程的新颖的图生成模型。我们使用去噪模型从图上采样特征向量和特征值，通过它们可以重构图拉普拉斯矩阵和邻接矩阵。该模型能够处理节点特征，并利用拉普拉斯谱自然地捕捉图的结构特性，在避免其他方法的二次复杂度限制的同时，直接在节点空间中进行操作。我们的实验结果表明，通过截断谱，我们的模型能够更快速而准确地进行生成过程，相对于其他现有方法具有较强的优势。

    Feb, 2024

  • 图上的高斯过程

    通过图拉普拉斯正则化约束目标向量具有特定的图傅里叶变换系数，本文提出了一种基于图的信号的高斯过程，并证明了任何非平凡图的预测方差严格小于传统高斯过程。我们还在各种真实世界的图信号上验证了该方法表现比普通高斯过程更优秀，特别是在小训练数据规模和嘈杂训练下。

    Mar, 2018

  • 从谱模板中学习产品图

    我们提出了一种学习基于乘积谱模板的高维图来替代直接从高维度图信号学习的方法，以减少计算负担。 与当前方法相比，我们的方法可以学习所有类型的乘积图，具有更少的参数，并在实验上得到了证明。

    Nov, 2022

  • 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

  • 图上的谱网络和局部连接网络

    本文探讨了如何将卷积神经网络推广到更广泛的定义域上。作者提出了两种构造方法，分别基于分层聚类和图拉普拉斯谱。结果表明，在低维图形上，可以实现独立于输入尺寸的卷积层学习，从而实现高效的深度网络结构。

    Dec, 2013

  • 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