- AutoGCN:基于神经构架搜索的通用人体活动识别
AutoGCN 通过深度学习、数据可用性提高以及增强的计算能力,利用图卷积网络(GCNs)对人体活动识别(HAR)进行神经架构搜索(NAS),在搜索过程中通过知识储备库平衡最佳探索和利用行为,提供了多样的搜索空间和高度表达的输入表示,以增强 - 全球感知增强的时空图循环网络:交通流预测的新框架
该论文介绍了一种新颖的交通预测框架,它包括两个核心组件:空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络,该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知,该框架还设计了三种独特的全局空间 - AAAIDHGCN:自监督点云学习的动态跳跃图卷积网络
我们提出了一种名为 DHGCN(Dynamic Hop Graph Convolution Network)的方法,通过学习点部件之间的上下文关系来提取点云中的局部特征,并利用学习到的跳跃距离作为输入进行图注意聚合,通过自我监督方法实现了最 - AAAI基于异构图的鲁棒图卷积网络中的潜在同质结构优化
我们研究了图卷积网络在节点分类中对普遍存在的异质图的鲁棒性,并发现主要的脆弱性源于结构上的分布不一致问题。为了解决这个问题,我们提出了一种新的方法,通过自动学习异质图上的潜在同质结构来加固 GCNs。这个方法被称为 LHS,通过多节点交互的 - 基于图神经常微分方程的协同过滤方法
我们提出了一种基于图神经常微分方程的协同过滤方法(GODE-CF),该方法通过利用一个或两个图卷积网络层捕获的信息来估计最终嵌入,并证明了该模型在多个数据集上优于竞争基线和其他最新的协同过滤方法。值得注意的是,我们的 GODE-CF 模型相 - 基于图神经网络与因果知识的提升建模
基于图神经网络的因果知识和抬升值估计的框架,通过图卷积网络结合因果知识,提出了一种更可扩展的抬升建模方法,该方法在典型的模拟数据中可以有效地预测抬升值,并在实际行业市场数据中得到验证。
- 基于图神经网络和注意力机制的遥感数据高光谱图像分类方法综述
使用深度学习技术进行高光谱成像的分类正在迅速增长并取得更好的性能。本综述提供了基于图和注意力机制的方法来进行遥感和航空高光谱图像分类的综合概述,同时总结了相关数据集和处理技术的基准评估。
- 探索手语音系学建模策略
我们学习了图形卷积网络来识别 ASL-LEX 2.0 中的十六种手语音素类型,通过多任务学习和课程学习等学习策略实现了对手语音素更好的建模。在 Sem-Lex 基准测试中,课程学习的平均准确率为 87%,在大多数音素类型中优于微调和多任务策 - 通过超图学习利用时空数据进行睡眠阶段分类
本文提出了使用超图对睡眠阶段进行分类的动态学习框架 STHL,它能够同时考虑多模态数据的异质性、互动性以及时空相关性,相比现有模型,在睡眠阶段分类任务中具有更好的性能。
- 基于拓扑感知的骨架动作识别的多层感知机
基于骨骼的动作识别中,提出了一种新颖的基于空间拓扑门控单元(STGU)的多层感知器(MLP)模型,通过捕捉编码所有关节之间空间依赖关系的共同出现的拓扑特征来实现对样本特定且完全独立的逐点拓扑注意力的建模,并在三个大规模数据集上取得了竞争性的 - 基于图卷积的视觉检索高效重新排序
本文介绍了一种采用图卷积网络的高效接近搜索再排序方法,通过更新特征值来完善视觉检索任务的初步结果,并以状态 - of-the-art 表现获得了在 3 个不同任务的七个基准数据集上的结果。
- WWW对分区感知商品相似性进行微调,实现高效和可扩展的推荐
本研究探讨了建议系统中协同过滤、图卷积网络、物品相似性模型、图采样策略和图分区等方面,并提出了一种使用新的数据增强策略的新型物品相似性模型以提高效率。实验结果表明,该模型在性能上优于现有的 GCN 模型和物品相似性模型。
- GIN:自动驾驶中基于图形交互感知约束策略优化
本文提出了一种基于图卷积网络的互动感知约束优化方法,通过同时训练运动预测和控制模块并共享一个包含社交上下文的潜在表示来鼓励安全驾驶和预测运动。实验结果表明,这种方法在 CARLA 城市驾驶模拟器上具有比基线更好的导航策略和运动预测性能。
- 一次性场景图生成
通过使用图形卷积网络和实例关系转换编码器,利用先前的关系和常识知识,提出一种用于一次性场景图生成任务的多重结构化知识方法,并且在构建的数据集上实现了历史最佳的结果。
- ICLRIGLU:通过延迟更新实现高效的 GCN 训练
本文介绍了一种基于缓存 GCN 中间计算结果的方法 IGLU,从而实现懒惰更新和降低计算成本,并通过对 Benchmark 实验的测试得出 IGLU 相对于标准 SGD 方法可以减少高达 88% 的计算量,并提升 1.2% 的准确度。
- 面向交通流预测的时空图 ODE 网络
本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测,并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明,该模型取得了领先于现有基准的更好的预测结果。
- WWW面向推荐的兴趣感知消息传递 GCN
该研究论文提出了一种新颖的基于 Interest-aware Message-Passing GCN 的推荐模型,通过在用户兴趣相似的子图中进行高阶图卷积操作,避免了过度平滑问题,其在三个基准数据集上的实验结果表明,该模型可以通过叠加更多的 - AAAI利用自监督的时间关系建模进行动作分割
本篇论文提出了一种有效的 GCN 模块 DTGRM,用于捕获和建模视频帧之间的各个时间跨度的时间关系,并通过提出的自监督任务来增强模型的时间推理能力,这种模块在行为分割方面表现优于现有技术。
- SIGIR自监督图学习用于推荐
本文提出了一种名为 “自监督图学习” 的新学习范式,通过生成多个节点视图,使用节点丢弃、边丢弃和随机游走三种不同的图结构方式来增强基于用户 - 物品图的图卷积网络的表示学习性能,从而提高推荐的准确性和鲁棒性。理论分析和三个基准数据集上的实证 - EMNLPAMR 到文本生成的轻量级动态图卷积网络
本文介绍了轻量动态图卷积网络(LDGCNs),应用于 AMR-to-text 生成任务中。LDGCNs 采用动态融合机制,利用高阶信息从输入图中合成更丰富的非局部交互,并采用组图卷积和权重共享卷积来减少内存使用和模型复杂度,并通过实验验证了