- EEG_GLT-Net: 优化实时运动想象信号分类的脑电图网络
EEG_GLT 算法通过构建邻接矩阵的创新技术,提高了脑机接口中的执行命令准确性和计算效率,适用于实时分类需要大量计算资源的脑电运动想象信号。
- 多功能基于图的稀疏实现层
本文介绍了一种稀疏实现的图信息层,以提高图神经网络的计算效率和可伸缩性,通过利用邻接矩阵的稀疏性来显著减少内存使用,同时引入了一种灵活的通用形式的图信息层,使其适用于图节点的子集。
- 基于动态相似邻接矩阵的车辆再识别图网络
基于动态相似邻接矩阵的图网络(DSAM-GN)是一种用于车辆再识别的新方法,通过构建邻接矩阵来捕捉局部特征的空间关系和减少背景噪声,提取更具差别性的特征。实验证明,DSAM-GN 方法相比于其他近期研究在公共数据集上具有更好的效果。
- DHOT-GM:使用可微层次最优输运框架的稳健图匹配
本研究提出了一种基于可微分分层最优传输(HOT)框架的新颖有效的图匹配方法,称为 DHOT-GM。该方法通过不同模态信息的关系矩阵集合来表示每个图,并通过加权平均匹配结果推断节点对应关系,其匹配结果是在关系矩阵之间通过 Gromov-Was - 稀疏邻接矩阵的随机投影
分析了一种用于邻接矩阵的随机投影方法,研究其在表示稀疏图中的实用性,展示了这些随机投影保留了其底层邻接矩阵的功能,同时具有额外的特性,使它们作为动态图表示具有吸引力。特别地,它们可以在相同的空间中表示不同大小和顶点集的图,从而实现对图的聚合 - 可训练相邻矩阵的图神经网络用于多元传感器数据故障诊断
本文提出使用基于图的神经网络模型实现化学制程中的故障诊断,在训练过程中构建图并使用不同的邻接矩阵来捕捉不同传感器数据之间的相关性和隐藏关系。研究表明该方法的性能优于传统的循环神经网络。
- 可导有向无环图学习的截断矩阵幂迭代
提出一种基于截断矩阵幂迭代的 DAG 学习方法,通过增加高阶多项式系数以逼近 DAG 约束条件。实验结果表明,该方法在各种设置下的性能优于现有的 DAG 学习方法。
- 交通需求预测的耦合逐层图卷积
本文提出了一种新颖的图卷积神经网络模型来进行交通需求预测,该模型在不同层次使用不同的邻接矩阵,并通过层间耦合机制实现邻接矩阵的自学习以及模型参数规模的降低,并使用一个单元网络来将隐藏空间状态与门控循环单元集成起来进行最终预测结果。在实验中, - ICLR强化学习因果发现
使用强化学习和编码器 - 解码器模型进行因果发现,生成图中的邻接矩阵以计算奖励,结合预定义分数函数和惩罚项强制保持无环性,提高图搜索能力和灵活性。
- 关于线性代数在图形中的表现能力
本文研究了以线性代数为基础的图查询语言 MATLANG 对于表示为邻接矩阵的图在各种片段中等价性的表征问题,并详细探讨了 MATLANG 中的线性代数操作对它们区分图形的能力的影响。
- 基于图卷积神经网络的大规模共享单车网络站点级小时需求预测
本研究提出了一种基于数据驱动图滤波器(GCNN-DDGF)的图卷积神经网络模型,可以学习车站之间隐藏的异质性相关性以预测大规模自行车共享网络中车站级别的小时需求。根据多种自行车共享系统数据建立和比较了 6 种 GCNN 模型和 7 种基准模 - 脑网络的共性和个性结构
该论文提出了一种用于从复制网络中估计共同结构和分析个体特异性差异的方法 —— 多重图分解(M-GRAF)模型,并对该方法进行了模拟和实际数据实验,研究表明该方法具有较好的操作特性。
- Erdős-Rényi 图的谱统计 I: 本地半圆定律
本文研究了 Erdős-Rényi 随机图的邻接矩阵集合,证明了该集合的密度满足长于 $N^{-1}$ 的谱窗口的 Wigner 半圆律,证明了所有特征向量均被证明是完全分散的。
- 数据光谱学:卷积算子特征空间和聚类
该论文提出了一种利用数据邻接矩阵的特征向量中的聚类信息的算法,命名为 DaSpec 算法,可以自动确定聚类的数量和相应的数据分组,实验证明其在处理不平衡组及不同形状的聚类时比现有方法更优。
- 正则图的谱聚类和分形
本文报告了一种由邻接矩阵的谱引发的所有 d 阶正则图的特征结构,该结构具有分形线状外观。作者发现了一个称为 multifilar 的分形结构,在数值实验的基础上提供了数学解释,并用第一类贝塞尔函数计算了所有 filar 的坐标和斜率。
- 无标度网络的谱和特征向量
研究了有双向交互时的无标度网络的邻接矩阵的特征值和特征向量,发现其谱密度在中心附近呈指数衰减,并在两个端点处呈幂律长尾,最大特征值随系统大小呈 N 的 1/4 次幂,相应的特征函数强烈局限于度数最大的中心节点。同时发现质量间隙随系统大小的变