- 关于谱图滤波器的可转移性
本文研究了图上的谱过滤,通过引入 Cayley 平滑空间,证明了谱滤波器是线性稳定且可转移的,并且可以在图信号处理和图卷积神经网络等领域得到有效应用。
- 可解释的图卷积神经网络用于处理带噪声知识图谱的推断
本文提出了一种新的 Graph Convolutional Neural Networks 的表达方式,可用于在具有噪声的生物医学知识图上进行链接预测,并且提出了一种正则化的注意机制以提高模型性能和可解释性,通过这些改进方法,我们展示了在海 - 贝叶斯图卷积神经网络用于半监督分类
本文提出一种贝叶斯图卷积神经网络的框架,用于在图结构数据上进行节点分类和矩阵补全任务,并采用一种迭代学习算法来提高模型性能,并在试验中展示了当训练数据少时,该方法提供更好的性能。
- NIPS聚合物属性预测的图卷积神经网络
本文采用图卷积神经网络(GCNN)预测聚合物的介电常数和能带隙,GCNN 可以达到与 DFT 结果非常接近的精度,并显示 GCNN 优于其他机器学习算法。该方法不再需要繁琐的手工描述符,仅依靠聚合物的形态数据即可实现准确快速的预测,可用于快 - AAAI图卷积网络文本分类
本文介绍了一种基于图卷积神经网络的文本分类算法 (Text GCN),该算法利用单一的文本图构建并联合学习词和文本的表征,经实验表明,将该算法应用于多个基准数据集后,在无需外部词嵌入和预先知识的情况下,文本 GCN 仍可优于现有的文本分类方 - 有符号图卷积网络
本文提出了一种基于平衡理论的有向图卷积神经网络模型,用于在带有正负连接的有向图中进行节点表示学习,并证明其在 link sign prediction 等问题上的有效性。
- 基于图卷积神经网络的材料空间分层可视化
结合高通量计算和机器学习开展的材料设计新范式的研究,开展了通过图卷积神经网络的不同层的表示学习在任意材料空间内分层可视化材料的组成和结构相似性的统一框架,为材料空间探索提供了新技术,该方法可以帮助过渡到自动化材料设计的数据中心探索。
- 利用基因相互作用图进行基因表达卷积
研究使用深度学习应用到基因表达数据的挑战,发现存在非线性信号但需要使用基因交互图结合图卷积神经网络和基因嵌入以利用图信息来克服数据量不足的问题,但模型表现依赖于图的质量,并发现更多工作需要在这个方向上展开。
- CVPR重新思考零样本学习的知识图谱传播
本文介绍了一种基于图卷积神经网络、知识图谱和 Dense Graph Propagation 模块的两阶段训练方法,针对多层架构中节点之间的信息传播问题提出了一种精心设计的直接连接方法,通过加权方案进一步提高了信息在图中的传播效率,实验结果 - ICML图范囊卷积神经网络
本文提出了一种名为 Graph Capsule Network (GCAPS-CNN) 的模型,通过使用胶囊网络的思想对 GCNN 模型的一些基本缺陷进行了改进,并将其应用于解决当前 GCNN 模型在图分类问题上面临的挑战,实验结果表明,G - MotifNet:基于 motif 的有向图卷积网络
本文提出了 MotifNet 的概念,是一种基于本地图形的卷积神经网络 (Graph CNN),旨在解决传统基于图拉普拉斯特征向量 (Spectral CNNs) 所遇到的无向图假设的限制,并且在真实数据上取得了较好的效果。
- AAAI自适应图卷积神经网络
本研究提出了一种基于自适应图的距离度量学习的广义灵活图卷积神经网络(Graph CNNs),在九个图结构数据集上,实现了收敛速度和预测精度方面的显著性能提升。
- 自闭症谱系障碍分类的图卷积神经网络引导
通过图卷积神经网络模型,以自动构建图的方式,预测自闭症患者的大脑活动模式,同时有效解决了图构建不鲁棒性问题,其性能准确,具有更强的鲁棒性。
- 利用基于递归多图神经网络的几何矩阵补全技术
本研究介绍了一种使用几何深度学习处理用户 / 项目对之间局部稳定性结构的新方法。矩阵完成架构结合了图卷积神经网络和循环神经网络,以学习有意义的统计图结构模式和非线性扩散过程,从而生成已知的评分,具有与矩阵大小无关的恒定参数数量。在合成数据和