Jul, 2023

QDC：图上的量子扩散卷积核

PDF
TL;DR该研究提出了一种名为量子扩散卷积（QDC）算子的新卷积核，该算子通过基于顶点之间的占据相关性交换的泛化扩散范例，对图进行有效地重连。此外，该研究还引入了一种多尺度变种，将 QDC 算子和传统组合型拉普拉斯算子的信息相结合。通过对谱相关性和量子动力学的研究，以及在各种数据集上的实验证明，与类似方法相比，QDC 算子在广泛使用的基准数据集上改进了预测性能。
graph convolutional neural networksdiffusionconvolution kernelquantum diffusion convolutionpredictive performance
发现论文，激发创造
  • 扩散改善图学习

    本文提出了一种名为 GDC 的基于图扩散的图卷积方法，与传统的基于直接邻接节点的图卷积方法相比，它可以处理真实图中任意定义边界带来的噪点问题，并在各种图神经网络和其他基于图的算法中取得了显著的性能提升，同时不需要改变原算法的计算复杂度。

    Oct, 2019

  • 量子图卷积神经网络

    本文提出基于量子参数电路的新型量子图卷积神经网络（QGCN）模型，利用量子系统的计算能力实现传统机器学习中的图分类任务，并在图数据集上呈现了良好的性能。

    Jul, 2021

  • 扩散卷积神经网络

    介绍一种新的用于处理图结构数据的模型 - 扩散卷积神经网络 (DCNN)，利用扩散卷积操作来学习基于扩散的表示，并在节点分类任务上表现出色。

    Nov, 2015

  • 学习在图上近似自适应核卷积

    基于扩散核的扩散学习框架在图神经网络中控制了特征聚合范围，解决了节点级分类和过度平滑化的问题，并具备在阿尔茨海默病分类中实际应用的可行性。

    Jan, 2024

  • 基于图的点云学习的多核扩散 CNNs

    本研究提出一种新的架构设计，结合了旋转和拓扑不变的图扩散算子和 1x1 卷积的逐点特征学习，从而有效地在不规则图形上传播特征并提高 3D 点云的特征提取和语义分类精度。

    Sep, 2018

  • 可变形图卷积网络

    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

  • 量子计算机上的图神经网络

    本研究提出了在量子计算机上实现图神经网络（GNNs）的框架，以应对处理大规模图时经典 GNNs 所面临的可扩展性挑战，通过制定与三种经典 GNNs 对应的量子算法：图卷积网络（Graph Convolutional Networks）、图注意力网络（Graph Attention Networks）和消息传递 GNNs（Message-Passing GNNs）。我们对简化的图卷积（SGC）网络的量子实现进行了复杂性分析，结果显示与经典方法相比，我们的量子 SGC 在时间和空间复杂度上具有潜在的优势，能够高效处理大规模图，这为在量子计算机上实现更先进的图神经网络模型铺平了道路，为用于分析图结构数据的量子机器学习开拓了新的可能性。

    May, 2024

  • DGCNN：基于高斯混合模型的无序图卷积神经网络

    本文提出基于混合高斯模型的无序图卷积神经网络（DGCNN）解决现有卷积方法在处理不规则形状的图数据时可能丢失结构信息和引入冗余信息的问题，实现了卷积核与图结点之间的映射，结合前向处理层和反向传播算法提高了信息处理效率，该方法在多个标准图数据集上的分类和检索任务中表现优于现有方法。

    Dec, 2017

  • 量子卷积神经网络

    我们介绍了一种新型的基于卷积神经网络的量子机器学习模型，并进行了分析。它采用了多尺度纠缠重正化基矢和量子纠错技术，具有高效的训练和实现能力，并展示了两个例子来证明其潜力。首先，我们使用 QCNN 准确识别了与一维对称保护拓扑相关的量子态，并发现其在整个参数范围内都能复制相图。其次，我们利用 QCNN 开发了一种优化给定误差模型的量子纠错方案，并发现其显著优于已知的可比较复杂度的量子码。最后，我们讨论了 QCNN 的潜在实验实现和拓展。

    Oct, 2018

  • 多粒度拓扑保护的差分隐私解耦图卷积

    该研究提出了面向图形学习设置的新型 Differential Privacy (DP) 方法框架 Graph Differential Privacy (GDP)，并介绍了 Differentially Private Decoupled Graph Convolution (DPDGC) 模型，以实现对网状结构的隐私保护和优良的预测精度，进而在七个节点分类基准数据集上展示了其优异的隐私 - 实用性权衡。

    Jul, 2023