Nov, 2023

一种用于半监督图学习的一致性扩散算法

PDF
TL;DR半监督分类的目标是基于所知少数节点（称为种子）的标签来为图的所有节点分配标签。本文证明了在计算得分之前需要对节点的温度进行居中处理，否则该算法是不一致的。这一关键步骤不仅使得算法在块模型上可以证明是一致的，还在实际图上带来了显著的性能提升。
semi-supervised classificationgraphheat diffusiontemperatureconsistency
发现论文，激发创造
  • 一种基于超图半监督学习的非线性扩散方法

    本文开发了一种在超图上扩散特征和标签的非线性扩散方法，通过超图结构进行扩散可以将其解释为超图平衡网络，并以此为节点内嵌，使用线性模型进行预测。该方法比几种超图神经网络更准确，训练时间也更短。

    Mar, 2021

  • DiffusAL: 主动学习与图扩散相结合的高效节点分类

    节点分类是属性图的核心任务之一，本论文提出了一种称为 DiffusAL 的新型主动图学习方法，通过结合三个独立的得分函数来识别在标记中最具信息量的节点样本，显著提高了标记效率，相较于之前的方法在所有数据集和标注预算中均显著优于随机选择。

    Jul, 2023

  • 适应性扩散实现可扩展的图学习

    本文介绍了一种基于数据的方法，用于学习适应底层网络拓扑特征的类特定扩散函数，从而改善扩散分类器的性能并提高分类准确性，超过了依赖于节点嵌入和深度神经网络的最先进方法。

    Apr, 2018

  • 使用热核实现的图卷积网络半监督学习

    本文介绍了一种名为 GraphHeat 的方法用于对图结构数据进行半监督学习，并且能够在 Cora、Citeseer 和 Pubmed 数据集上取得最新颖的结果。

    Jul, 2020

  • 基于热核的社区发现

    本研究提出了一种确定性的本地计算热核扩散的算法，用于研究其产生的社区，并与 PageRank 扩散进行比较，实验结果表明，热核社区具有更好的导度和识别性能。

    Mar, 2014

  • 基于热扩散动力学的图分类演化核方法

    本文提出了一种基于物理学的热核和 DropNode 技术生成时间图增量的方法，用于描述系统的演变行为；同时，还提出了 GDTW 动态时间包裹距离的方法，用于量化演化系统之间的距离，结果在真实世界的结构图数据集上的分类问题中，通过演化核方法获得了显著的分类准确率提高。

    Jun, 2023

  • 半监督学习的一致性、随机拔河游戏和 p - 拉普拉斯算子

    该论文主要概述了偏微分方程与基于图的半监督学习的交叉领域，重点介绍了最近关于图基学习的 PDE 连续极限的大量研究，用于证明大数据极限下半监督学习算法的适定性。我们强调了一些围绕图基半监督学习的一致性的有趣研究方向，并通过 p-Laplacian 的随机拔河游戏解释提出了 p-Laplacian 半监督学习的一致性的新结果。我们还展示了一些数值实验的结果，并提出了未来研究的方向。

    Jan, 2024

  • 分散式多任务学习的精确子空间传输

    该论文提出了一种针对分布式学习的新方法，该分布式学习方法使用多任务学习中的精确扩散算法，可在具有不同目标或数据的代理之间建立关系，而无需强制执行共识机制。经过数值验证表明，该算法表现比基于近似投影的传统算法更好。

    Apr, 2023

  • 强局部超图扩散在聚类和半监督学习中的应用

    本文提出了一种新的基于扩散的超图聚类算法，其解决了类图的二次超图割问题，能够非常快速且高效地计算各种势函数。该方法在实际大规模超图数据中得到了验证。

    Nov, 2020

  • 基于分布一致性的稀疏标签图神经网络自训练

    提出了一种新颖的分布一致图自训练（DC-GST）框架，通过显式地解决自训练过程中扩展训练集与测试集之间的分布差异，识别既具有信息量又能弥补分布差异的伪标记节点，并通过可微分的优化任务进行建模。采用了考虑分布差异的边预测器来增强图，提高模型在分配伪标签上的泛化能力。在四个公开基准数据集上进行了评估，并广泛实验证明，该框架始终优于最先进的基线模型。

    Jan, 2024