Aug, 2023

面向脑影像数据的边缘感知硬聚类图池化

PDF
TL;DR在这项研究中，我们开发了一种名为 Edge-aware hard clustering graph pooling (EHCPool) 的聚类图池化方法，用于提高 Graph Convolutional Networks (GCNs) 的表示学习能力，并获取异常脑图。EHCPool 首次基于边特征提出了 “边到节点” 的评估准则来评估节点特征的重要性。为了更有效地捕捉重要的子图，我们设计了一种新的迭代 N-top 策略来自适应地学习图的稀疏聚类分配。随后，我们提出了一种创新的 N-E 聚合策略，旨在聚合独立子图中的节点和边特征信息。该方法在多个脑成像公共数据集上进行了评估，并取得了最先进的性能，我们相信这是第一种具有从数据驱动角度探测不同类型异常功能性脑网络潜力的深度学习工具。
graph convolutional networksgraph pooling operatoredge-aware hard clustering graph poolingiteration n-top strategyabnormal functional brain networks
发现论文，激发创造
  • 图神经网络的边缩减池化

    本研究提出了一种名为 EdgePool 的图池化层，利用边缩减的概念来学习局部和稀疏的硬池化转换，证明 EdgePool 优于其他池化方法，并且易于集成到大多数 GNN 模型中，提高了节点和图的分类性能。

    May, 2019

  • 用于半监督节点分类的分层图卷积网络

    本研究提出了一种新的深层分层图卷积网络 (H-GCN)，通过聚合结构相似的节点形成超节点，然后再将粗化的图细化到原始图以恢复每个节点的表达，从而扩大每个节点的感受野，能够获取更多的全局信息，并在各种公共基准测试图数据集上表现出强大的实证性能。

    Feb, 2019

  • 图神经网络的高阶聚类和池化

    提出了 HoscPool，一种基于聚类的图池算子以及它的聚类组件，通过最小化松弛的基元谱聚类来学习概率群分配矩阵，从而丰富图形表示，并在图分类任务和地面真实社区结构图上取得了最佳表现。此外，对汇集算子的内部功能进行了深入的实证分析。

    Sep, 2022

  • 具有 EigenPooling 的图卷积网络

    本论文介绍了一种基于图傅里叶变换的池化算子及其在分层池化中的设计应用，该算子能够在池化过程中利用节点特征和局部结构，与传统的 GCN 卷积层结合形成用于图分类的图神经网络框架 m，实验结果表明该框架具有良好的效果。

    Apr, 2019

  • 面向异构图学习网络的关系中心化池化和卷积方法

    提出了一种基于关系聚合和卷积 (PC-HGN) 的异构图神经网络模型，它可以进行关系特定的采样和跨关系卷积，从而更好地将图的结构异质性编码到嵌入空间中，与其他现有的图学习模型相比，其性能得到了最大 17.8％的提升。

    Oct, 2022

  • 图分类的团池化

    文章提出一种利用 cliques 作为单元池的新型图形合并操作，实现在图形卷积网络（GCN）和 GraphSAGE 架构中并进行标准图像分类基准测试，同时还探索了在常规图形中向后兼容合并的竞争性性能。

    Mar, 2019

  • 精心选择和深思熟虑的丢弃：利用被丢弃节点的图显式池化

    提出了一种新的图显式汇聚（GrePool）方法，通过明确利用节点之间的关系和最终表示向量的选择，解决了现有图汇聚方法中的两个关键问题，并进行广泛的实验证明其在分类准确度方面优于 14 个基线方法。

    Nov, 2023

  • ENADPool: 边缘节点注意力差分池化的图神经网络

    本文提出了一种名为 Edge-Node Attention-based Differentiable Pooling (ENADPool) 的新层次池化操作，用于学习有效的图表示，同时还提出了与 ENADPool 操作相关的多距离 GNN (MD-GNN) 模型，以解决传统层次池化操作中存在的问题。

    May, 2024

  • 基于图神经网络的谱聚类用于图池化

    本文提出了一种基于连续松弛的归一化最小割问题的图聚类方法，通过 GNN 实现聚类分配。并且设计了一种图池化操作，克服了现有技术的一些重要限制，并在多个监督和非监督任务中取得了最佳表现。

    Jun, 2019

  • 学习图池化和混合卷积操作以获取文本表示

    提出了使用可训练投影向量评估节点重要性来选择新图形的最重要的 K 个节点以达到与图像最大池化层相同目的的图形池 (pooling) 层。同时，结合 GCN 和普通卷积运算进行的混合卷积层 (hConv) 能够快速增加接受野 (receptive field)，自动计算特征等功能，基于提出的 gPool 和 hConv 层，我们为文本分类任务开发了新的深度网络，结果证明基于这些层的网络相比于基线方法具有新的最先进性能。

    Jan, 2019