Mar, 2024

基于语义 - 结构注意力增强的图卷积网络的节点分类

PDF
TL;DR通过引入语义 - 结构注意力增强图卷积网络（SSA-GCN），本研究在提取顶点分类性能方面不仅对图结构进行建模，还从无监督特征提取的角度提取通用特征，通过交叉注意力机制整合这些特征，以增强图卷积网络的泛化能力。在 Cora 和 CiteSeer 数据集上的实验证明了我们提出的方法所取得的性能提升，而且在隐私设置下表现出优异的准确性，使其成为图数据分析的坚实有效解决方案。
graph datagraph neural networksemantic-structural attention-enhanced graph convolutional networkunsupervised feature extractionvertex classification
发现论文，激发创造
  • 自注意力增强的图卷积网络：结构学习和节点嵌入

    本研究提出了一种名为 GCN-SA 的新型图学习框架，它具有出色的节点级表示学习的泛化能力，并且通过自注意机制和改进的转换器块实现了对长程依赖关系的捕捉，从而使其能够在具有不同程度同质性的图上进行表示学习。

    Mar, 2024

  • 图结构主题神经网络

    本文提出了 GraphSTONE，一种基于 GCN 模型的结构话题神经网络，利用图的主题模型，从概率角度捕获广泛的指示性图结构。同时，通过设计多视图 GCN 统一节点特征和结构主题特征，并利用结构主题来指导聚合，从而达到高效和可解释性。

    Jun, 2020

  • 基于注意力机制的图卷积网络，融合潜在结构和多个特征

    本文提出了利用结构信息和多种注意力函数计算权重的关注型空间图卷积（AGC）方法以及基于该方法的用于分类和预测点云标签的图神经网络（GNN）模型，实验结果表明，所提出的 GNN 性能优于现有方法。

    Mar, 2023

  • 图卷积网络的半监督分类

    本研究提出了一种可扩展的半监督学习方法，该方法基于一种直接作用于图形的高效卷积神经网络变体，通过局部一阶逼近实现了谱图卷积的选择，其模型在节点数量上线性地扩展并学习编码局部图结构和节点特征的隐藏层表示，在引用网络和知识图数据集上的若干实验中，证明了我们的方法的明显优越性。

    Sep, 2016

  • 融合高阶结构信息的图聚类

    提出了一种新颖的图聚类网络，能充分利用图结构信息，捕获高阶结构信息，并应用三元自监督模块作为结构约束，在多个数据集上优于多个最先进的方法，显示出其优越性。

    Mar, 2024

  • 结构化注意力网络

    本文研究了如何将更丰富的结构分布用于深度神经网络中的嵌入式分类推理，通过两种不同的结构注意力网络：线性链条件随机场和基于图形的解析模型的实验，展示了这些结构的注意力网络超过了基线的注意力模型在各种合成和真实任务中的表现。

    Feb, 2017

  • 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

  • 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

  • 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

  • AM-GCN: 自适应多通道图卷积网络

    本文提出了一种新型 GCNs 模型：自适应多通道图卷积网络 (AM-GCN)，以更好地融合和提取节点特征和拓扑结构之间的深度相关信息，并在半监督分类任务上取得了明显的精度提升。

    Jul, 2020