本文分享自华为云社区《论文解读:基于局部特征保留的图卷积神经网络架构(LPD-GCN)》,原文作者:PG13 。 近些年,很多研究者开发了许多基于图卷积网络的方法用于图级表示学习和分类应用。但是,当前的图卷积网络方法无法有效地保留图的局部信息,这对于图分类任务尤其严重,因为图分类目标是根据其学习的图级表示来区分不同的...
这篇论文的主要贡献如下：提出了图卷积网络（GCN），用于执行图结构数据中节点的半监督分类任务；提出图自编码器（GAE），用于图结构数据中的无监督学习和链接预测；提出关系 GCN（R-GCN），将 GCN 模型扩展到具有多个边类型的有向关系图；提出神经关系推断（neural relational inference, NRI）模型；提出一个针对序列...
本文对图卷积神经网络进行综述。首先介绍了图卷积神经网络的背景并梳理了两类经典方法:谱方法和空间方法,谱方法借助卷积定理在谱域定义图卷积,空间方法通过在节点 实现图卷积。进而介绍了GCN的最新进展。最后对GCN的发展趋势进行了总结和展望。 2、引言 传统的卷积神经网络只能处理欧氏空间数据,如图像、文本、语音等,这...
本文提出了一种新的图卷积网络架构SelfGCN,它结合了图卷积和自注意力机制,旨在解决现有基于GCN的骨架识别方法中的一些问题,主要包含混合特征、时间特定空间自注意力、多尺度时间卷积三个模块,三个模块相互串联、互补协作,共同优化骨架序列的时空特征表示,提升动作识别的准确性。 图1 SelfGCN网络的整体架构 (a) SelfGC...
GitHub 链接:https://github.com/tkipf/gcn 论文链接:https://arxiv.org/abs/1609.02907 概览在当 数据派THU 2018/01/30 2.6K0 KDD20 | AM-GCN:自适应多通道图卷积网络 数据结构 题目:AM-GCN: Adaptive Multi-channel Graph Convolutional Networks Houye 2020/08/28 5.9K0 ICML 2020 | GCNII:简单深度图...
SpaGCN首先使用图卷积网络(GCN)整合基因表达、空间位置和组织学信息,然后使用无监督迭代聚类将spot聚类成不同的空间域。GCN基于一个无向加权图,其中每两个点之间的边权值由两个点之间的欧氏距离决定,由空间坐标(x,y)和三维坐标z定义,z从组织学图像中的RGB值获得。对于每个检测到的空间域,SpaGCN通过域引导的结构...
论文中的一幅图: 上图中的GCN输入一个图,通过若干层GCN每个node的特征从X变成了Z,但是,无论中间有多少层,node之间 的连接关系,即A,都是共享的。 GCN作者给出的公式理解:Graph Convolutional Networks | Thomas Kipf | University of Amsterdam (tkipf.github.io) ...
图卷积网络是 GNN 的其中一类,本文主要对图卷积做一个简单的概述,包括问题分类、图卷积原理以及 GCN 的变种。之后再通过一个简单的论文分类应用来加深对图卷积的理解。 1 图卷积概述 1.1 问题分类 GNN 所面临的问题大体可分为三个层面:节点级别的,如节点的分类任务;边级别的,如边的预测任务;图级别的,如图的分...
但该方法的成功证明了图卷积神经网络这一快速发展的方法,可应用于单细胞组学分析。 复杂科学最新论文 深度学习新星 | 图卷积神经网络(GCN)有多强大? 图半监督分类的相变和优化算法:从信念传播到卷积神经网络 | 网络科学论文速递23篇 加入集智,一起复杂!