本文通过对图神经网络和流形神经网络在图构建、卷积核和神经网络等方面的分析,得出了一种针对该关系的适当内核及其密集和中等稀疏图的非渐进误差界定理,并探讨了图过滤器的可区别性和近似期望行为之间的权衡关系,并分析了非线性操作的频率混合特性和相同流形采样的几何图的可转移性推论,并在导航控制问题和点云分类任务上验证了其结果。
May, 2023
基于黎曼流形的图神经网络模型中,我们提出了两个关键的图神经网络层。第一个是扩散层,其基于流形值图扩散方程,适用于任意数量节点和图的连通模式。第二个是切线多层感知机层,借鉴了向量神经元框架的思想,并在一般的情境中应用。这两个层在节点排列和特征流形的等变性方面表现出非常好的性能。在合成数据和海马右侧三角网格对阿尔茨海默病分类的数值实例中,我们的模型均取得了非常好的性能。
Jan, 2024
通过流形理论,分析在由流形样本构造的图上操作的图神经网络的统计泛化差距,研究了图神经网络在节点级和图级任务上的泛化差距。在训练图中节点数量增加时,泛化差距减小,从而保证图神经网络对流形上的未见点的泛化性能。通过多个真实世界数据集验证了我们的理论结果。
Jun, 2024
本文介绍了一种用于处理定义在黎曼流形上的数据的深度特征提取器 —— 旋转不变散射变换,并提出了一些基于扩散映射理论的实用方案,可以在自然系统中应用于点云数据上进行信号分类和流形分类任务。
Jun, 2022
我们提出了一种使用精神病医学数据进行 Alzheimer 疾病组差异分析的卷积神经网络框架,并介绍了如何在计算过程中考虑 Riemann 流形结构。
Oct, 2019
本文介绍了一种基于仿射不变性和微分同胚稳定性的 Geometric Scattering Transform 方法,可以使卷积神经网络在流形和图结构领域中更具有普适性和稳定性。
May, 2019
本研究提出并证明了一种新的逆问题解决方法,使用深度学习代替传统解析解,使用多种流形反向建模相结合的正向反馈模型架构,借助前向模型生成训练数据,用于在计算时间和模型性能之间取得平衡,通过对四项基准逆问题的比较,并对其设计进行分析来展示其优势。
Nov, 2022
研究神经网络中的多重流形问题,证明当网络深度相对于数据的几何和统计属性较大时,其宽度作为统计资源,使随机初始化网络的梯度集中,而其深度作为拟合资源,更易于分离类流形,基于神经切向核及其在训练超参数化神经网络方面的作用,我们为深度全连接网络的神经切向核提供了完全优化的集中速率。
Aug, 2020
本文提出一种基于图卷积神经网络的半监督图像分类方法,采用不同类型的流形学习策略,通过无监督学习的方式实现了对于有限标注数据的图像分类任务,实验结果表明该方法优于传统和现有技术,并且运行时间高效。
Apr, 2023
本文在生成对抗网络中引入流形学习方法来打磨辨别器,考虑局部约束线性和基于子空间的流形以及局部约束的非线性流形,利用流形学习和编码的设计将中间特征表示映射到流形上,并通过协调特征表示和流形视图之间的差异性,实现去噪和流形精细化的两难平衡,并在实验中发现局部约束的非线性流形优于线性流形,性能也明显优于现有的基线算法。
Dec, 2021