Dec, 2023

ASWT-SGNN：自适应谱小波变换自监督图神经网络

PDF
TL;DR自适应谱小波变换自我监督图神经网络（ASWT-SGNN）是一种结合了图卷积网络（GCN）和比较学习优势的自监督方法，用于学习节点表示，通过近似滤波函数和优化小波来实现灵活的邻域信息聚合和局部与全局信息之间的控制转换。
graph comparative learninggraph convolutional networksself-supervised methodadaptive spectral wavelet transform-based self-supervised graph neural networknode representations
发现论文，激发创造
  • 图波神经网络

    我们提出了一种图波形神经网络（GWNN），通过使用图小波变换来解决以往依赖于图傅里叶变换的图谱卷积神经网络（CNN）方法的缺点，这些方法需要进行高计算成本的矩阵特征分解。与图傅里叶变换不同的是，图小波变换可以通过快速算法获得，无需矩阵特征分解。此外，图小波在顶点域中稀疏且局部化，可以提供高效性和良好的图卷积可解释性。经过实验，GWNN 在三个基准数据集上均明显优于以往的图谱 CNNs，在图半监督分类任务上具有更好的性能。

    Apr, 2019

  • 基于子图网络的对比学习

    本文提出了一种名为基于子图网络的对比学习的新框架，用于挖掘子结构与图表征之间的相互作用，可提高图像的非监督和迁移学习性能。

    Jun, 2023

  • 基于局部结构的图形对比表示学习

    我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

    Aug, 2023

  • 基于图的半监督学习的对比与生成图卷积网络

    本文提出了一种新颖的基于图卷积网络的 SSL 算法，通过利用数据相似性和图结构来丰富监督信号，从而改善了现有方法的性能。该算法通过设计半监督对比损失和图生成损失提取潜在的关系，并在各种实际数据集上取得了显著的分类性能，与现有最先进的方法进行了比较。

    Sep, 2020

  • LightGCL: 简单而有效的图形对比学习用于推荐

    本文提出了一种新的图对比学习范式 LightGCL，基于奇异值分解对图的对比增强进行单一约束结构的调整，在推荐系统领域具有显著的性能优势和鲁棒性。

    Feb, 2023

  • 通过一般的谱小波推进图卷积网络

    本文提出了一种基于小波的图卷积网络 WaveGC，通过集成多分辨率的谱基和矩阵值滤波器核心，实现有效捕获和分离短程和长程信息，提供了更高的灵活性和表达能力，并在短程和长程任务中相比现有模型取得了改进。

    May, 2024

  • 基于图神经网络的谱聚类用于图池化

    本文提出了一种基于连续松弛的归一化最小割问题的图聚类方法，通过 GNN 实现聚类分配。并且设计了一种图池化操作，克服了现有技术的一些重要限制，并在多个监督和非监督任务中取得了最佳表现。

    Jun, 2019

  • 无监督图对比学习中的结构和语义全局知识获取

    本文提出了一种基于结构和语义对比学习算法框架的简单神经网络 - S^3-CL，用于在无监督情况下学习表达具有全局结构和语义的节点特征，通过实验表明与现有的基于 GNN 的无监督 GCL 方法相比，S^3-CL 在不同的下游任务上可以获得优异的表现。

    Feb, 2022

  • 自构建图卷积网络用于语义标注

    提出了一种名为 Self-Constructing Graph (SCG) 的新型体系结构，利用可学习的潜变量直接从输入特征生成嵌入并自行构建底层图，从而自动获取来自航空图像中复杂物体的优化的非局部上下文图。通过自适应对角线增强方法和一个变分下限来优化 SCG，该下限由一个定制的图重构项和一个 Kullback-Leibler 分歧得到规则化项。SCG 在公开的 ISPRS Vaihingen 数据集上表现出有效性和灵活性，和纯 CNN 模型相比，在参数和计算成本上具有明显优势。

    Mar, 2020

  • 具有快速特征值逼近的谱图注意力网络

    本文提出 Spectral Graph Attention Network 和 SpGAT-Cheby 两种新的基于注意力机制的子图表示学习算法，具备捕捉图形全局特征和更少的学习参数的能力，通过半监督节点分类实验验证了算法的效果。

    Mar, 2020