Sep, 2023

动态图分类的过滤表面

PDF
TL;DR现有动态图分类方法要么将图内核扩展到时间域，要么使用图神经网络 (GNNs)。然而，当前基准存在可扩展性问题，不能处理变化的节点集，或者不考虑边权重信息。我们提出了滤波表面，一种具有可扩展性和灵活性的新方法，以缓解上述限制。我们在基于边权重信息的数据集上实验证实了模型的有效性，并展示滤波表面在性能上胜过先前的最优方法。我们的方法要么是完全无参数的，要么最多只有一个参数，并且产生最低的总体标准差。
dynamic graphsgraph classificationfiltration surfacesscalabilityedge weight information
发现论文，激发创造
  • 图滤波学习

    本文提出一种学习图形分类问题中与图形结构相关的数据的方法，通过一个基于可学习的实值滤波函数计算上持久同调，并建立了持久同调计算的理论基础。实证研究表明，这种读取操作技术优于之前的技术，尤其是对于图形连接结构对学习问题有意义的情况。

    May, 2019

  • 图卷积神经网络中的动态边缘滤波器

    本文提出了一种基于图卷积算子的深度神经网络模型，通过条件化过滤权值，在任意图上实现图分类，并在点云分类任务中创造新的最优表现

    Apr, 2017

  • 具有多样化光谱滤波的图神经网络

    利用多样化光谱滤波的框架 (DSF)，在光谱图神经网络的基础上，通过自动学习节点特定的滤波权重，平衡局部和全局信息以捕捉全局图特征和挖掘多样的局部模式，从而提高节点分类任务的模型性能。

    Dec, 2023

  • 基于图滤波的高效半监督学习

    提出了一种基于图滤波器的半监督学习框架，能够将数据特征作为图信号注入图相似性中，并使用低通滤波器从图信号中抽取有用的数据表示，从而实现标签高效的半监督学习，同时能够改善现有的图卷积网络和标签传播方法的建模能力和减少模型复杂度。

    Jan, 2019

  • 具有图卷积神经网络的稳健空间滤波

    本文介绍了一种基于图卷积神经网络的新型神经学习框架并探讨了其在处理结构化和非结构化分类问题方面的应用，证明该方法在文档和分子分类问题方面具有国际领先水平。

    Mar, 2017

  • 图上自适应特征传播：超越低通滤波器

    提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

    Mar, 2021

  • 再探图神经网络：一切都是低通滤波器

    本文研究了基于图形信号处理的理论框架，用于分析图神经网络的性能，结果表明，图神经网络仅对特性向量进行低通滤波，且没有非线性流形学习属性。进一步研究了它们对特征噪声的鲁棒性，并提出了一些基于 GCN 的图神经网络设计洞见。

    May, 2019

  • 用于分类传播过程的时态图核

    本文提出了一种将标准图内核应用于时间领域的框架，包括三种不同的方法，并探讨了时间信息损失和效率之间的平衡，通过实际应用于真实世界的社交网络得出，考虑了时间信息对传播过程的成功分类至关重要。

    Oct, 2019

  • 快速局部谱滤波的图卷积神经网络

    该研究将卷积神经网络推广到高维不规则图像中，通过谱图理论提出了一种卷积滤波器设计方法，在保持线性和常数学习复杂度的同时，实现了对任意图结构的卷积作用，成功在图像识别领域实现了局部、平稳、组合特征的学习。

    Jun, 2016

  • 基于节点可变图滤波器的卷积神经网络

    本文介绍了一种基于图的 CNN 架构，采用节点变化的 GF 代替传统卷积，通过局部操作提取不同的本地特征，以解决在不规则域中信号处理的问题，并在综合实验中进行了测试。

    Oct, 2017