Sep, 2023

张量超图神经网络和信号降噪之间的统一视角

PDF
TL;DR利用张量 - 超图迭代网络在于超图信号去噪以及超图神经网络之间的等价关系，本研究设计了一种基于张量 - 超图迭代网络的方法，通过多步更新方案，有效应用于超图信号去噪问题。
hypergraph neural networkshypergraph signal denoisingtensor-hypergraph convolutional networktensor-hypergraph iterative networkhigher-order interactions
发现论文，激发创造
  • 张量化超图神经网络

    提出了一种基于张量的高阶超图神经网络模型，它利用高阶外积特征传递实现了对高阶信息的有效提取，并通过部分对称 CP 分解方法降低了模型复杂度；在两个三维视觉对象分类数据集上进行的实验结果表明了其性能优越性。

    Jun, 2023

  • 超图神经网络

    本研究提出了一种超图神经网络 (HGNN) 框架，可以通过超图结构编码高阶数据相关性，并使用超边卷积操作处理数据相关性，以有效地进行数据表示学习。实验结果表明，HGNN 方法优于最新的最先进的方法，并且可以处理现实世界中的复杂数据和多模数据。

    Sep, 2018

  • 从图信号去噪的视角理解图神经网络

    探索了图神经网络（GNN）如何进行信号去噪，并提出了两种新的模型，GSDN-F 和 GSDN-EF，并且证明了该理论框架以及新模型在基准数据集上的有效性。

    Jun, 2020

  • 图神经网络作为图信号去噪的统一视角

    本篇论文针对图结构数据的表征学习中的聚合操作进行研究，探究 GCN、GAT、PPNP、APPNP 等 GNN 模型的聚合过程与图像去噪问题之间的通用性，进而提出统一图神经网络框架 UGNN，并基于此开发了 ADA-UGNN 模型，通过实验验证了其在自适应平滑性的图中的有效性。

    Oct, 2020

  • 基于超图和无向图的等效性的超图卷积网络

    提出了 GHSC 框架，它不仅处理具有边独立顶点权重（EIVWs）的超图，还处理具有边相关顶点权重（EDVWs）的超图，并能够利用现有的 GCNN，从而大大简化了超图神经网络的设计。

    Mar, 2022

  • 张量视图拓扑图神经网络

    图分类是一项重要的图结构数据学习任务，我们提出了一种新颖的 Tensor-view 拓扑图神经网络 (TTG-NN)，利用持久同调、图卷积和张量运算构建了一种简单而有效的拓扑深度学习方法，能够同时捕捉局部和全局层面上的张量表示和图结构信息。在实际数据实验中，TTG-NN 在各种图基准数据上表现优于其他 20 种最先进的方法。

    Jan, 2024

  • 图展开网络：用于图信号去噪的可解释神经网络

    该研究提出了一个可解释的图神经网络框架，通过对图信号进行噪声去除，扩展了算法展开到图域的能力，并通过信号处理的视角提供了对架构设计的解释。通过无监督学习训练图卷积网络，自适应捕捉输入噪声图信号的适当先验知识，以获得较小的信号去噪误差。

    Jun, 2020

  • BG-HGNN: 面向可扩展和高效的异构图神经网络

    本文介绍了一种新的框架，Blend&Grind-HGNN（BG-HGNN），该框架有效地解决了现有 HGNN 在处理不同关系类型复杂异构图时所面临的问题，其通过将不同关系融合到一个统一的特征空间中，在参数可管理的单一参数集的帮助下，得到了一个更高效、更有效地从异构图中学习的 HGNN 方法。实证研究表明，BG-HGNN 在参数效率（高达 28.96 倍）、训练吞吐量（高达 8.12 倍）和准确性（高达 1.07 倍）方面显著超过了现有的 HGNN。

    Mar, 2024

  • 生成对比异构图神经网络

    通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

    Apr, 2024

  • 基于图数据的反卷积神经网络

    该研究提出了一种名为图解卷积网络（GDN）的解决方案，旨在通过组合频谱域中的逆滤波器和小波域中的去噪层，实现对由图解卷积网络（GCN）平滑的图形数据的重建操作，同时解决信号中的噪声干扰问题，它在图特征补全和图结构生成等多项任务中展示出了有效性。

    Oct, 2021