我们提出了一种新的方法来估计图的拓扑,并识别三节点的相互作用,通过结构化的图 Volterra 核来学习二阶简单复形 (SCs),通过使用群规范和掩膜矩阵求解图和 SC 推理的数学公式,实验结果表明我们的方法在合成和真实数据上具有优越性能。
Dec, 2023
在 Simplicial 2 - 复合体中,我们开发了一个卷积神经网络层,以处理具有图形或超图结构的数据,这提供了图形结构和超图结构之间的中间地带。
Dec, 2020
该论文提出了一种基于图卷积模型的方法,通过对组合 $k$- 维霍奇拉普拉斯算子的谱操作,实现对高维拓扑特征的学习,特别是距离每个 $k$- 单形形式化的最优 $k$- 阶同调生成器的距离,为同调定位提供了一种替代方法。
Oct, 2021
该研究介绍了单纯神经网络(SNNs),作为图神经网络在特殊拓扑空间,即单纯复合体上的一般化形式。这种新的神经网络结构,能够处理包括向量场或 n 重合作网络等更多元的数据,也定义了适当的卷积方式,并在合著关系复合体的数据丢失方面进行测试。
Oct, 2020
本研究提出了一种新型的 Simplicial Attention Networks (SAT) 以及一种签名注意机制,旨在解决目前 Simplicial Neural Networks (SNNs) 在计算效率和适应新结构方面的缺陷,并在图像和轨迹分类任务中表现优异。
Apr, 2022
针对复杂系统中的高阶交互作用,本论文提出了一种利用简单复合物的丰富数学理论的新方法,介绍了一种嵌入简单复合物中的高阶 Flower-Petals 模型,并引入了基于 FP Laplacians 的高阶图卷积网络 (HiGCN),能够识别在不同拓扑尺度上的内在特征,通过可学习的图滤波器来量化高阶交互作用强度,实现了先进的表达能力,并在各种图任务上达到了最先进的性能。
Sep, 2023
基于随机游走和快速一维卷积的单纯复合神经网络学习结构(SCRaWl),在考虑到高阶关系的同时,通过调整考虑的随机游走的长度和数量来调节计算成本的增加,从而超越现有的消息传递单纯复合神经网络,并在真实数据集上进行了验证。
Apr, 2024
本篇研究提出了基于 CW 网络的一种消息传递方法,将 Simplicial Complexes 扩展为适应更加灵活的 Cell Complexes,并在分子图问题上证明了该模型优越性。
Jun, 2021
本文提出了一种新的基于数据的非线性 mixup 机制,为样本对及其标签提供不同的 mixup 功能,通过在公共潜在特征空间上投射图形数据并探索非线性数据驱动的 mixup 策略,结合凸聚类生成一个最佳的数据增强方法来提高图分类的性能。
Oct, 2022
基于 Hodge 分解的对比自监督学习方法通过编码特定数据的不变性,利用简单神经网络生成具有适当光谱特性的正对比实例,从而获得反映数据谱特性的嵌入空间。与监督学习技术相比,我们在两个标准边流分类任务中取得了卓越的性能,强调了采用谱视角进行高阶数据的对比学习的重要性。