一致图的多视图图学习
本研究提出了一种基于图神经网络的半监督学习方法,通过多次无监督的一致性优化,利用集成学习策略在多个视觉场景解释中实现多任务同时学习的高精度预测表现。
Oct, 2020
本文提出一种新颖的基于张量的图学习框架,同时考虑了多视图聚类的一致性和特异性,通过在斯蒂费尔流形上计算相似性距离,解决了现有方法中使用欧氏距离度量相似性的不足,并通过张量奇异值分解实现对目标图的全面理解。实验证明,该方法在真实数据集上的性能优于一些现有的多视图聚类方法。
Mar, 2024
本研究提出一种名为 MVGIB 的多视角变分图信息瓶颈原则用于跨视角融合图信息,并使用相互信息约束公式化其共享信息和视角特定信息。经过广泛的图形基准数据集实验表明了所提出方法的卓越效果。
Oct, 2022
本文提出了一种名为 Tensorized Consensus Graph Framework(TCGF)的通用多视图表示学习框架,旨在克服多视图学习领域中现有模型的局限性,融合多个视图的关键信息,提高泛化性能。实验证明,TCGF 在多个不同尺度的数据集上相比其他最先进的多视图学习方法具有更好的性能。
Sep, 2023
该研究提出了一种新的基于图的神经网络的多视图方法,它开发了一种系统和方法论的调整,针对非欧几里得流形的上下文进行了卷积、池化和多视图结构等经典深度学习方法的关键概念,提出了一种新的基于视图的卷积层和新的视图池化层,以综合从多个视图生成的信息,并在端到端的图神经网络架构中用于图分类,并展示了与其他最先进方法相竞争的结果。
Jul, 2020
文章介绍了通过对比不同结构视图的图表达学习来实现自监督学习,相对于多视图或多尺度编码,通过对比一阶邻居和图扩散编码能够获得最佳表现。该方法在 8 个节点和图分类基准测试中取得了新的最佳结果,在 Cora(节点)和 Reddit-Binary(图)分类基准测试中,取得了 86.8%和 84.5%的准确性,在 4 个基准测试中优于有监督的基线。
Jun, 2020
本文提出了一种通过特征融合方法来提高预测性能,解决了在分布式物联网中利用不同模型进行本地学习而合并本地模型以实现一致性的问题。通过在现实场景中的应用,如电力网和交通网络,证明了此方法的有效性。
Jun, 2023
学习异质图的节点级表示对于欺诈者检测和蛋白质功能预测等各种应用至关重要。为了解决传统节点表示无法捕捉高阶图结构的问题,我们提出了一种新颖的多视图对比学习方法,通过在图上集成扩散滤波器,捕捉异质图中的结构等价性,发现传统节点表示中隐含的关系和相似性。我们的方法在合成和真实结构数据集上优于基准方法,在 Cornell 上比最佳基准方法提高了 16.06%,在 Texas 上提高了 3.27%,在 Wisconsin 上提高了 8.04%。此外,我们的方法在近邻任务上始终表现出卓越的性能,证明了其在揭示结构信息和改进下游应用方面的有效性。
Aug, 2023
通过引入一种新颖的名为 “Consensus Graph-Based Multi-View Clustering Method Using Low-Rank Non-Convex Norm”(CGMVC-NC)的多视图聚类技术,该研究提出了一种用于多视图聚类的新技术。该方法利用多视图数据张量的结构特征,引入非凸张量范数来确定这些视图之间的相关性,相对于传统方法,这种方法在多个基准数据集上展现出卓越的聚类准确性。尽管所使用的张量范数具有非凸性,但所提出的方法仍然可以通过现有算法进行高效优化。该方法为多视图数据分析提供了有价值的工具,并有潜力提高我们对各个领域中复杂系统的理解。进一步的研究可以探索该方法在其他类型的数据上的应用,并将其扩展到其他机器学习任务。
Dec, 2023