Dec, 2023

通过可学习的图池化网络追踪模型解析的超参数依赖关系

HTML
PDF
TL;DR通过学习超参数的依赖关系，将模型解析任务转化为图节点分类任务，利用图节点和边分别表示超参数和其依赖关系，提出了一种名为可学习图汇聚网络（LGPN）的新型模型解析方法，它还将自适应学习的超参数依赖关系扩展到了CNN生成图像检测和坐标攻击检测，实验证明了该方法的有效性。
发现论文，激发创造
  • 卷积神经网络中广义池化函数: 混合, 门控和树

    通过泛化池化操作来提高深度神经网络的表现，我们提出了两个主要方向：(1) 通过最大池化和平均池化的组合策略来学习池化函数，(2) 学习一种树形融合池化滤波器的池化函数。实验表明，这些泛化的池化操作比传统的池化操作具有更好的不变性，并在多项广泛采用的基准数据集上创造了最优性能。

    Sep, 2015

  • 使用扩张迭代图卷积网络进行依赖关系分析

    提出一种基于图卷积神经网络的依存句法分析架构(DIG-CNNs)，利用GPU的并行处理能力实现了高效的端到端句法分析，同时在英语Penn TreeBank基准测试中，DIG-CNNs与一些最好的神经网络解析器表现相当。

    May, 2017

  • 场景图解析作为依存句法分析

    本文介绍了一种通过神经依赖解析器直接从文本描述中解析出场景图来实现端到端训练的方法，并在评估数据集上比以往方法高出5％的F-分数相似度来生成了我们学习的神经依赖解析器产生的场景图。

    Mar, 2018

  • 通过图形解析神经网络学习人-物交互

    本文介绍了一种利用结构化知识实现可微分端到端检测和识别图像和视频中的人-物交互的算法——图解析神经网络（GPNN）。结果表明，在三个HOI检测基准测试上，我们的方法明显优于现有的最新方法，证明GPNN可以应用于大型数据集和时空设置，并可覆盖图解析和逐步计算相邻矩阵和节点标签。

    Aug, 2018

  • 节点下采样的图神经网络中的层次表示学习

    本文提出了Node Decimation Pooling (NDP)，这是一种用于GNN的池算子，能够生成更粗糙的图，同时保持整体图拓扑结构，通过三个步骤：节点削减，Kron reduction，和稀疏化过程生成 coarsened graphs。实验结果表明，与现有的图池化运算符相比，NDP在图分类任务上表现出相当的性能，但更加高效。

    Oct, 2019

  • 图神经网络中池化操作的重新思考

    本文研究图形池化（Graph pooling）对图神经网络（GNN）性能的影响，使用随机化或补图聚类的变体挑战了保留局部性表示的必要性，并表明了卷积层在学习表示中的领导作用。与普遍认为的不同，局部池化并非导致GNN在相关且广泛使用的基准测试中获得成功的原因。

    Oct, 2020

  • 一个高阶语义依存解析器

    本研究应用图神经网络（GNN）构建更高阶语义依存解析器，通过多个GNN层的聚合获得更高阶信息，实现近似推理，实现在SemEval 2015任务18英语数据集上超越先前最先进的解析器。

    Jan, 2022

  • 从关系池化到子图 GNN：更具表现力的图神经网络的通用框架

    本文提出了一种通过为节点分配标签来提高信息传递神经网络表达能力的方法，并将其扩展到更高维的 WL，实现了比以往任何基于 WL 的方法更广泛的 GNN 框架。我们证明了 $k,l$-GNN 在理论和实验中都具有提高表达能力的能力和广泛适用性。

    May, 2023

  • 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

  • 图解析网络

    本研究提出了一种基于图解析算法的图池化网络（Graph Parsing Network, GPN），通过学习每个个体图的个性化池化结构，提高了在图分类任务中的性能，同时在节点分类任务中保持了竞争力，并能通过相关测试来衡量内存和时间效率。

    Feb, 2024