May, 2024

点云数据插值上的超图 p-Laplace 正则化

PDF
TL;DR探索了超图结构在不包含显式结构信息的点云数据插值中的优势，并证明了超图 $p$-Laplacian 正则化与连续型 $p$-Laplacian 正则化的变分一致性，利用随机原始 - 对偶混合梯度算法解决了凸但不可微的大规模优化问题，并通过数值实验验证了超图 $p$-Laplacian 正则化相对于图 $p$-Laplacian 正则化在防止标记点处出现尖峰的效果更好。
发现论文，激发创造
  • 半监督学习中 $p$-Laplacian 正则化的分析

    本研究探讨了半监督学习中的回归问题，以随机几何图形模拟数据几何结构，将离散的 $p$- 拉普拉斯正则化纳入模型，研究了无标记点数增加时渐近表现的性质，发现模型存在收敛性限制，提出了一个简单的模型来解决这一限制。

    Jul, 2017

  • 超图 $p$-Laplacian: 微分几何观点

    本文将图 Laplacian 和微分几何的类比推广到超图 setting，进而提出了一种新的超图 $p$-Laplacian 以及一种基于此的半监督学习方法，并进一步探索了与超图 cut 和 normalized cut 的一般形式的关系和区别， 最终在超图的半监督学习和 normalized cut 方面表现出优异的性能。

    Nov, 2017

  • 半监督学习中基于 $\ell_p$ 的拉普拉斯正则化的渐近行为

    以 $L_p$-Laplacian 正则化为基础的半监督学习算法采用 $d$ 维几何随机图模型给出了理论推导，证明了当 $N$ 趋于无穷大而 $n$ 保持不变时， 估计函数的性能，证明了在 $P$ 的敏感度和置信度之间存在权衡，表明选择 $p = d +1$ 是最优的选择。

    Mar, 2016

  • 利用低维流形模型的图拉普拉斯正则化进行 3D 点云去噪

    本文提出一种基于低维流形模型和图拉普拉斯正则化器的 3D 点云去噪方法，通过近似离散观测的流形维度计算，并且采用一种新的离散补丁距离度量来构建一个抗噪声的图形结构，并取得了比当前最先进方法更好的性能和更好的结构特征保持。

    Mar, 2018

  • 重新思考图神经网络的图正则化

    在图神经网络中，传统的图拉普拉斯正则化对现有 GNN 的性能提升不大，提出了一种名叫 P-reg 的图拉普拉斯正则化变体，可以有效增加信息熵，提升现有 GNN 模型在节点级和图级任务上的性能。

    Sep, 2020

  • 基于 $p$-Laplacian 的图神经网络

    本文提出了一种新的 GNN 模型：$^p$GNN，它实现了细胞特征和拓扑信息的同时分类，特别适用于异质图，其经过了充分的实验验证并表明表现显着优于多种 GNN 模型。

    Nov, 2021

  • 数据流形上的本地高阶正则化

    介绍了一种新型的正则化方法，它是全局高阶的，不会出现图拉普拉斯正则化中的退化问题。通过构建一个局部一阶替代几何形式，有助于减少计算复杂度，并基于局部导数评估构造高阶正则化方法，该方法在人体形状和姿势分析中的实验表明了其有效性和效率。

    Feb, 2016

  • 基于 Lipschitz 学习的图算法

    本文讲述了如何基于 Lipschitz 扩展来实现图上回归问题，包括最小 Lipschitz 扩展和绝对最小 Lipschitz 扩展，它们能够实现多项式时间的正则化。

    May, 2015

  • 用于本地稳定深度神经网络的流形正则化

    本文使用流形正则化的概念开发了新的正则化技术，以训练具有局部稳定性的深度神经网络；我们的正则化器基于图拉普拉斯矩阵的稀疏化，当数据在高维空间中稀疏时，能够高概率地保持；经验证明，我们的网络表现出稳定性，并能够在不同的扰动模型下经受良好的检验；此外，我们的技术高效，并且与网络的额外两个并行前向传递的开销相当。

    Mar, 2020

  • 用游戏论 p-Laplacian 和半监督学习处理少标注数据

    研究了图上半监督学习中的博弈论 p-Laplacian，展示了在有限标记数据和无限未标记数据的情况下其是有限的。具体而言，我们展示了带有图上半监督学习的连续 p-Laplace 方程的连续极限是加权版本。我们还证明图 p-Laplace 方程的解近似是 Holder 连续的高概率。

    Nov, 2017