- SIGIRTurbo-CF: 矩阵分解免费图过滤用于快速推荐
Turbo-CF 是一种基于图过滤和协同过滤的方法,不需要训练和矩阵分解,通过使用多项式图过滤器在不显式矩阵分解的情况下实现高效的推荐准确性,适用于快速推荐场景。
- CDC:一个用于复杂数据聚类的简单框架
在今天的数据驱动数字时代,收集的数据量和复杂性(如多视图、非欧几里德和多关系)呈指数级增长甚至更快。本文提出了一个简单而有效的复杂数据聚类(CDC)框架,可以以线性复杂度高效处理不同类型的数据。首先,我们利用图过滤来融合几何结构和属性信息。 - AAAI上界 Barlow Twins:一种用于多关系聚类的新型过滤器
通过学习一个受 Barlow Twins 理论分析激发的图滤波器,克服了多个图之间相关性不足的问题,并设计了一个简单的聚类架构,在四个基准数据集上展示出最先进的性能。
- 基于图滤波的可扩展多视图聚类
本文提出了一种用于聚类属性和图数据的通用框架,该框架能够探索特征和结构之间的相互作用,并具有图过滤和采样策略等优势,同时在属性和图基准测试上的实验证明了其优越性。
- AAAIDeepDT:从 Delaunay 三角剖分中学习几何用于表面重建
本文提出了一种新的基于学习的网络 DeepDT,用于从点云的 Delaunay 三角化重建物面。它通过多标签监督策略实现结构正则化,并能够在保持丰富几何细节的同时生成不过于复杂的表面,尤其是对于开放场景的内部表面。实验证明 DeepDT 具 - ICLR强大的图神经网络是否必要?对图分类的解剖
通过对图神经网络的线性化,本文将其拆成了基于图滤波和基于集合函数的两个部分,并发现在图滤波时采用线性结构,而在集合函数时采用非线性结构,得到了同样好的结果,从而提出了更简单且高效的建模方案。
- 通过图拓扑推理和过滤进行三维点云深度无监督学习
本文提出了一种深度自编码器,其中包括了图形拓扑推断和过滤模块,以实现对非结构化 3D 点云的紧凑表示,在无监督的情况下处理原始 3D 点云,优于其他目前的方法,进一步提高了无监督学习性能。
- CVPR基于图滤波的高效半监督学习
提出了一种基于图滤波器的半监督学习框架,能够将数据特征作为图信号注入图相似性中,并使用低通滤波器从图信号中抽取有用的数据表示,从而实现标签高效的半监督学习,同时能够改善现有的图卷积网络和标签传播方法的建模能力和减少模型复杂度。
- 压缩谱聚类
本文提出了一种基于图信号处理的方法,采用图滤波和随机采样技术加速生成 Laplacian 矩阵特征向量和 k-means 聚类算法步骤,该方法在控制误差的同时计算时间效率可达到数个数量级的提升,并在人工合成数据和真实网络数据集上进行测试。
- 使用随机信号的图滤波加速光谱聚类
本文提出了一种基于图信号处理的快速谱聚类算法,通过使用图滤波器对随机信号进行谱聚类距离矩阵的估计,利用这些随机向量的随机性来估计聚类数目 k,相较于传统谱聚类方法,我们的方法在大规模数据集上表现相当且速度至少快二倍。