本文提出了一种联合学习图结构和图卷积网络参数的方法,从而可以在不完整、损坏或无法使用图的场景中应用图卷积网络,并通过实验证明,该方法的性能显著优于相关方法。
Mar, 2019
通过使用可学习的图卷积层 (LGCL) 和子图训练方法,本论文解决了卷积神经网络在处理通用图像数据时的困难,提高了基于节点分类任务的准确率和效率。
Aug, 2018
本文研究机器学习领域的图半监督学习,提出了基于图卷积网络的深度学习方法,解决了图卷积网络机制不清晰及需要大量标注数据的问题,并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证,研究结果具有实际应用价值。
Jan, 2018
本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息,以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证,展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。
Jun, 2020
本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现,节点的相似度和 GCN 的性能有正相关关系,并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。
Jul, 2022
本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs,它可以在多个潜在空间适应性地执行卷积操作,并捕获节点之间的短 / 长距离依赖关系,从而处理异构性,并在六个异质性图数据集中实现节点分类任务的最佳性能。
Dec, 2021
本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络(Graph CNNs),在九个图结构数据集上,实现了收敛速度和预测精度方面的显著性能提升。
本文提出了基于图卷积神经网络的 Graph Learning Network 模型,用于解决社区检测、节点分类、链路预测等任务,并能够学习节点嵌入和结构预测函数。该模型能够递归地提高预测结果和嵌入质量。
May, 2019
本文通过提出新的动态本地化图剪枝方法,在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性,由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。
Mar, 2020
研究使用因果图分析 GCN 的工作机制,估计节点局部结构对预测的因果影响,以消除本地结构差异的影响并提高 GCN 的推理阶段。
Oct, 2020