Jul, 2023

运用图神经网络进行罗马数字分析：从音符特征的角度进行节拍预测

PDF
TL;DR提出了一种基于图神经网络（GNN）的新方法，该方法通过直接描述和处理乐谱中的每个音符，利用音符特征和音符之间的相互依赖性来进行 Roman Numeral 分析，该方法在参考数据集上实现了更高的准确性，并探索了使用 NADE 和后处理等技术的模型变体。
roman numeral analysischordsfunctional contextsymbolic musicgraph neural networks
发现论文，激发创造
  • 基于图神经网络的手写轨迹识别

    该研究论文通过将手写轨迹特征与图神经网络相结合，评估了离线手写文本的恢复绘图顺序以及直接使用链码的在线手写轨迹，实证结果证明这种组合超过了以往的结果，并且在短时间内最小化了错误率。

    May, 2024

  • 使用图神经网络的图异常检测：当前状态与挑战

    本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。

    Sep, 2022

  • 图神经网络和时间序列作为定向图的质量识别

    本文研究了图神经网络在时间序列分析中的应用，将时间序列视为有向图，利用图神经网络的结构探索时间依赖性，并开发了两个几何深度学习模型，一个用于有监督分类，另一个用于信号重构。将这些模型应用于质量识别问题。

    Oct, 2023

  • 朝向因果分类的图神经网络的全面研究

    研究发现了图神经网络在因果分析方面的潜力，通过评估不同数据环境中九个基准图分类模型的效率和灵活性，突显了预测能力以及需求进一步提升的领域。

    Jan, 2024

  • 图神经网络：方法和应用综述

    本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

    Dec, 2018

  • 图神经网络与神经符号计算的结合：调查和展望

    本文综述了图神经网络作为神经符号计算模型的应用现状和在多个领域中的关系，这反映了对改进人工智能系统的可解释性、解释性和信任度的需求。

    Feb, 2020

  • 大规模网络定位的图神经网络

    本研究采用图神经网络（GNN）解决经典的非线性回归问题 —— 网络定位，并发现 GNN 在精度、鲁棒性和计算时间方面潜在成为大规模网络定位的最佳解决方案，适当的通信范围阈值对其高性能至关重要。此外，本研究提出的基于 GNN 的方法通过数据聚合、非线性可见性去噪和低通滤波等技术使其在邻居选择阈值上的优化成为可能。仿真结果表明，该方法远优于先前的最新基准。

    Oct, 2020

  • 揭开图：图神经网络与图生成

    综述了图神经网络 (GNNs) 的应用、图数据和深度学习的扩展，以及 GNNs 的高级领域：图生成。

    Mar, 2024

  • GNNS 中的全局最小值、可恢复阈值和高阶结构

    图神经网络性能分析基于随机图理论，GCN 和 GAT 是关键研究领域，性能受到数据特征的影响，实验结果显示特定高阶结构对性能有负面影响。

    Oct, 2023

  • 学习图神经网络中的图网络

    本篇论文提出了一种新的图形神经网络 GL-GNN，通过学习关系的图形和选择重要数据特征以解决未知图形、节点具有嘈杂特征和图形含有噪声连接等三个问题，并在多个数据集上与基线方法进行对比， 能够选择重要特征和图形边缘。

    Oct, 2022