graph transfer learning | BriefGPT

关键词graph transfer learning

搜索结果 - 6

解决图上的负迁移
本研究探讨图传递学习中的负迁移现象以及结构差异对图节点嵌入的影响，提出了两种有效的方法 Subgraph Pooling (SP) 和 Subgraph Pooling++ (SP++)，通过转移子图级别的知识来减少图之间的差异。
PDF5 months ago
MMALEX：面向带有噪声标签的有效图传递学习
ALEX 是一种用于图传递学习的新颖技术，通过结构语义的多视角生成和平衡标签分布的子图构建，引入了对抗域辨别器和节点表示的投射，用于处理存在标签噪声的图学习场景。
PDF9 months ago
图传输学习中的半监督领域自适应
半监督图领域自适应（SGDA）是一种用于解决具有拓扑结构和属性的跨域图之间知识迁移问题的方法，它通过添加自适应的偏移参数和伪标签，以处理来自标注丰富源图到未标注目标图的领域转移和标签稀缺的挑战。
PDF9 months ago
AAAIUniversal-RCNN: 基于可迁移图形 R-CNN 的通用对象检测器
本文提出了一种名为 Universal-RCNN 的新型通用目标检测器，引入了图传递学习，在多个数据集之间传播相应的语义信息以达到语义上的一致性，并在多个物体检测基准测试中取得了最先进的结果（mAP：COCO 上的 49.1%）。
PDF4 years ago
通过图卷积的对抗领域自适应实现图传输学习
本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验
PDF5 years ago
CVPRGraphonomy：基于图传递学习的通用人体解析
本研究旨在学习单个通用的人物解析模型，该模型能够通过将不同域中的不同粒度的标注注解相结合来解决所有类型的人物解析需求。通过引入名为 “Graphonomy” 的新型普适人物解析代理，该代理将分层图传输学习与传统解析网络相结合，以编码底层标注
PDF5 years ago