GSpect: 跨尺度图分类的谱滤波
该研究介绍了如何利用图信号处理的概念和工具,诸如图滤波器和变换,以开发新的机器学习算法,并提供了未来GSP技术发展的新视角,以解锁在现代数据分析中的许多挑战。
Jul, 2020
本文提出了一种新颖的多尺度框架卷积设计用于谱图神经网络,该方法集成了直接设计在谱域中的过滤函数以提高对嘈杂图信号的鲁棒性,有效地减轻了嘈杂信号的负面影响,并利用异构图神经网络和多级图分析,嵌入了元路径上的拓扑信息。在现实世界的异构图和同构图中的实验表明,该方法取得了优越的性能。
Jan, 2022
本篇论文提出了一种不需要标记技巧,同时能够在维护泛化能力的同时提高可扩展性的用于子图分类的机器学习模型Stochastic Subgraph Neighborhood Pooling(SSNP),通过结合子图和其邻域的信息,以及简单的数据增强预处理步骤来多视角观察邻域的信息,并在大规模图像数据集上的实验证明其在性能和速度方面的优越性。
Apr, 2023
通过对生物数据的谱视角分析,发现在小图和大图之间存在一定程度的节点连接性分布差异,提出基于局部结构特征(即节点的局部接近中心度)指导学习过程的 SIA 策略可以提高 GNNs 在不同大小的图上的图分类性能。
May, 2023
本文介绍一种新的问题设置,探索学习通用图结构学习模型以在开放环境下推广,从而进一步优化可适应特定图数据集的图结构,通过多个特定的 GNN 模型应对多样化数据集。
Jun, 2023
本研究提出了Bargrain,它通过使用图卷积网络模拟了两种图结构:过滤后的相关矩阵和最优样本图,旨在既得益于这两种图结构,又解决了仅依赖单一结构的限制。大量实验证明,Bargrain在脑部疾病数据集的分类任务中,以平均F1分数为衡量指标,胜过了现有方法。
Dec, 2023
图神经网络对于结合图像和非图像医学信息用于节点分类任务非常有效。这篇论文介绍了OTGCN,一种强大而新颖的跨网络节点分类方法,它利用图卷积网络中的概念来充分利用图数据结构的洞察力,同时应用基于最优传输的策略来纠正在不同数据收集地点之间可能发生的域漂移。该方法为在不同地点和设备上收集到多种不同形式数据的情况提供了实用解决方案。我们通过使用图像和非图像数据的混合方式演示了这种方法在自闭症谱系障碍患者分类中的有效性。
Jan, 2024
光谱图神经网络在空间域具有可解释性,通过建立光谱滤波和空间聚合的理论联系,揭示了光谱滤波将原始图形隐式导向适应的新图形,以进行空间聚合和反映节点之间的标签一致性,进而提出了一种新颖的空间自适应滤波(SAF)框架,通过光谱滤波和辅助的非局部聚合综合建模节点的相似性和差异性,在全局角度缓解了图神经网络与长距离依赖和图形异质性相关的不足,并在13个节点分类基准上进行了广泛实验,证明了该框架相较于现有模型的优越性。
Jan, 2024
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
最近在图神经网络领域中,频谱图神经网络因其在频域捕捉图信号的特点而受到广泛关注,展示出在特定任务中的有希望的能力。然而,对于评估其频谱特征的系统研究还很少。此观点论文通过对超过30个包含27个相应滤波器的频谱图神经网络进行广泛的基准测试,分析和分类这些模型,并在统一框架下实现这些频谱模型,提供了对有效性和效率的多方位实验评估,并提供了在评估和选择性能良好的频谱图神经网络时的实用指南。我们的实现能够在更大的图上应用,性能可比且开销较小,可以从以下链接获得:
Jun, 2024