MGNet: 通过多个图学习对应关系
本研究提出了一种多层图匹配网络框架,其中包含节点 - 图匹配网络和连体图神经网络,可在纵横交错的多层交互中精确地计算图状对象之间的相似度,并证明其在图分类和回归任务中的有效性及稳健性。
Jul, 2020
本文提出了一种对计算机视觉、图分类和协同过滤等领域特别有用的图相似性计算方法。此方法称为自监督图相似性学习,其基于对图像对的图形匹配任务和自学来训练的一种对比学习框架,可以更好地揭示图像的差异和共性,并跨越不同的图形对进行一致性识别。此方法依赖于具有有效单个图表示的现有图形神经网络,同时启用交叉图和交叉视图互动以增强节点表示的一致性和区分度,并通过汇集操作将节点表示转换为图级表示进行图相似性计算。
May, 2022
我们提出了一个新的模型无关的图神经网络(MaGNet)框架,能够顺序地集成不同顺序的信息,从高阶邻居中提取知识,并通过识别有影响力的紧凑图结构来提供有意义、可解释的结果。理论上,我们通过经验 Rademacher 复杂性建立了 MaGNet 的泛化误差界,并展示了它在表示逐层邻域混合方面的能力。使用模拟数据进行了全面的数值研究,证明了 MaGNet 相对于几种最先进的替代方法的卓越性能。此外,我们将 MaGNet 应用于一个从脑活动数据中提取关键信息的实际案例研究,从而突显了它在推动科学研究方面的有效性。
Sep, 2023
提出了一种新的 “图学习 - 匹配” 网络(GLMNet)方法,它将图学习集成到图匹配中,采用 Laplacian sharpening 卷积模块提取节点嵌入特征,并通过设计新的约束正则化损失来优化图匹配,实验结果表明该方法有效,具有一些主要模块的优势。
Nov, 2019
本文提出了基于对比学习的图神经网络异常检测方法 MAG,强调了多 GNN 模块与图扩展模块在提高检测性能中的作用,并通过两个变种 L-MAG 和 M-MAG 在 Cora 和 Pubmed 数据集上证明了其有效性。
May, 2023
本篇论文提出了一种新的图形神经网络 GL-GNN,通过学习关系的图形和选择重要数据特征以解决未知图形、节点具有嘈杂特征和图形含有噪声连接等三个问题,并在多个数据集上与基线方法进行对比, 能够选择重要特征和图形边缘。
Oct, 2022
本文提出了一种基于图神经网络和同步消息传递网络的两阶段神经结构,用于学习和精炼图之间的结构对应关系,并在计算机视觉和知识图谱中的实体对齐方面实现了比当前最先进方法更好的实际效果。
Jan, 2020
我们提出了一种有效且高效的无监督多层次图学习方法,通过使用多个 MLP 编码器进行表示学习来处理样本外问题,并通过最大化多个节点表示的相关性来处理噪声问题。
Aug, 2023
我们提出了一种新颖的相互引导动态网络(MGDN)用于图像融合,该网络允许有效地利用来自不同位置和输入的信息。实验结果表明,我们提出的方法在四种图像融合任务上优于现有方法。
Aug, 2023
FMGAD 是一种新颖的少样本图异常检测模型,利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示,并借助深度图神经网络消息增强重构模块从根本上利用少样本标签信息并使其能够传播到更深的未标记节点,该模块进一步辅助自监督对比学习的训练。综合对六个真实世界数据集的实验结果表明,FMGAD 能够在人工注入异常或领域有机异常的情况下,实现比其他最先进方法更好的性能。
Nov, 2023