Graph Convolutional Networks
PulseAugur coverage of Graph Convolutional Networks — every cluster mentioning Graph Convolutional Networks across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的HCPN-GCN方法通过锥形原型增强持续图学习
研究人员开发了HCPN-GCN，一种解决灾难性遗忘挑战的持续图学习（CGL）新方法。该方法通过集成图卷积网络（GCN）以获得更丰富的图感知表示并采用基于锥形的原型来增强分层原型网络（HPN）。实验表明，HCPN-GCN显著减少了原型数量的激增，与原始HPN相比，使用的原型数量减少了约30倍，同时在六个基准测试中保持了高精度和最小的遗忘。
-
面向能效的FPGA图卷积网络（GCN）加速器协同优化稀疏化与近似计算
研究人员开发了一种新颖的、面向边缘设备能效推理的图卷积网络（GCN）FPGA加速器。该系统在AMD Kria KV260平台上集成了图稀疏化与近似计算技术，特别是8位量化和近似乘法器。在Cora和Amazon Photo等数据集上的评估显示，在保持高分类精度的同时，功耗低于1W，速度提升高达9.88倍。研究强调，图稀疏化与近似算术的协同优化是实现高效低功耗GCN推理的关键。
-
新型RGC-Net模型增强图神经网络能力
研究人员推出了一种新颖的基于水库的图卷积网络RGC-Net，旨在增强图数据中的信息传播并捕获长距离依赖关系。该新模型将水库动力学与结构化图卷积相结合，利用固定的随机水库权重和泄漏积分器来改善特征保留，并缓解传统图卷积网络中常见的过平滑问题。RGC-Net在图分类和生成任务（包括动态大脑连接性分析）中展示了最先进的性能，并且比现有方法收敛更快。
-
新的物理感知指纹增强了电力网图分类
研究人员开发了一种名为多通道物理感知随机游走指纹（MC-PA-RWF）的新方法，以改进电力网系统的图分类。该方法将物理边缘状态融入随机游走传播，增强了图表示的可解释性和可扩展性。在PowerGraph基准测试上的实验表明，MC-PA-RWF的性能显著优于仅基于拓扑的方法，并且在准确性方面与GCN、GAT、GINE和TransformerConv等先进图神经网络相当。
-
AI模型利用脑电图数据推进阿尔茨海默病诊断
研究人员开发了两种利用脑电图 (EEG) 数据诊断阿尔茨海默病的新方法。一种方法 GraM-Diff，利用图-曼巴扩散框架生成合成脑电图数据，提高了分类准确性和鲁棒性，尤其是在数据稀缺的情况下。第二种方法利用了一个名为 Large Brain Model (LaBraM) 的基础模型，该模型在大量脑电图数据上进行了预训练，当与随机森林分类器结合使用时，能够使用短脑电图片段高精度地区分健康个体和痴呆症患者。这两种方法都展示了先进的 AI…
-
新框架增强了 AI 模型的可解释性并降低了维度
研究人员引入了一个新颖的无监督框架来解决表示学习中的挑战，特别是几何鸿沟和可解释性鸿沟。该框架集成了流形学习和基于秩的可解释图嵌入，以创建稀疏、自解释的表示。该方法旨在改进相似性评估和模型透明度，并已通过图卷积网络在图像检索和半监督分类任务中证明了其有效性。
-
New GRaCE framework generates interpretable graph and rank-based embeddings
研究人员推出了一种新颖的无监督框架 GRaCE，用于生成可解释的基于图和基于排名的上下文嵌入。该方法建立在 RaDE（排名扩散嵌入）方法的基础上，通过结合用于代表性子集选择和节点嵌入的鲁棒排名度量。GRaCE 在包括文本和图像集合在内的各种数据集上，与 RaDE 和原始特征相比，在检索、分类和聚类任务中表现出优越的性能。
-
新判据解决Sheaf神经网络中的过平滑问题
研究人员开发了一种新的指标理论判据来解决Sheaf神经网络（SNNs）中的过平滑问题。虽然以前的方法使用谐波空间（$\ker\mathcal{L}$）的维度作为抗过平滑能力的指标，但这种新方法提供了更精确、相对和几何的表征。该判据有助于区分真正的抗过平滑能力和仅仅是谐波空间维度的膨胀。通过对包括新型GyroSheaf在内的十个模型的实验验证了该判据，结果表明符合要求的模型保持了稳定的表示，而不符合要求的模型则会崩溃。
-
新的DAS-PMVC框架改进了部分多视图聚类
研究人员推出DAS-PMVC，一个旨在解决部分多视图聚类挑战的新型框架。该方法通过采用双重对齐和结构增强技术，解决了不同视图之间数据错位引起的问题。该框架首先通过锚点图结构对齐来对齐视图，然后利用多视图图卷积网络增强特征学习，最后使用对比学习和匈牙利算法来优化潜在特征对齐。实验结果表明，DAS-PMVC在聚类性能上超越了现有的最先进方法。
-
Hugging Face 综述介绍了用于交通预测的自动化 AI
这篇来自 Hugging Face 的综述论文探讨了神经架构搜索（NAS）作为一种自动化深度学习模型设计方法在交通预测中的应用。文章回顾了各种 NAS 策略，包括基于梯度、进化和单次权重共享的方法，并讨论了它们如何应用于捕捉交通数据的时空特性。论文还强调了当前的挑战，如计算可扩展性、跨城市泛化能力以及 NAS 在时空基础模型上的应用，并提出了未来的研究方向。
-
综述详述交通预测模型的神经架构搜索
一篇新发表在arXiv上的综述论文探讨了神经架构搜索（NAS）在交通预测中的应用。该论文详细介绍了NAS如何自动化深度学习模型（如图卷积网络、循环神经网络和Transformer）的设计，以更好地捕捉交通数据的时空结构。它将NAS方法分为基于梯度、进化和一次性权重共享方法，同时还强调了计算可扩展性和跨城市泛化等挑战。
-
新型MR-ConceptGCN模型增强序列学习者建模
研究人员开发了MR-ConceptGCN，一种利用多关系图卷积网络的序列学习者建模新无监督方法。该方法通过有效结合个人知识图谱、多关系GCN和SBERT语言模型来增强用户建模。该系统旨在通过捕捉更丰富的语义并考虑用户交互的序列来创建更具信息量的用户模型，正如在教育推荐系统用户研究中所展示的那样。
-
新技术通过超声检查提高肝脏疾病分类的准确性
研究人员开发了一种新颖的方法来改进肝脏疾病的分类，特别是区分代谢功能障碍相关性脂肪性肝病（NASH）和非酒精性脂肪性肝病（NAFLD）。通过将传统的B模式超声与源自物理引导和局部相位成像的互补表示相结合，新方法显著提高了诊断准确性。在梅奥诊所（Mayo Clinic）的大型队列上进行的实验表明，这种利用自监督掩码自动编码器和图卷积网络的集成方法，与单独的传统B模式成像相比，准确率提高了高达32.4%，F1分数提高了91.2%。
-
图像编码器的选择显著影响GCN在乳腺超声分类中的性能
一项新研究探讨了图像编码器选择对图卷积网络（GCN）在乳腺超声分类中性能的影响。研究人员发现，包括卷积和基于Transformer的架构在内的更高容量的图像编码器，能够提高图同质性并改善分类准确性。研究强调，受图像编码器影响的图结构质量是基于GCN的医学图像分析成功的关键因素。
-
LLMs 增强 GCNs 用于半监督图像分类 · arXiv 论文
研究人员开发了一种新颖的方法，通过整合大型语言模型（LLMs）和图卷积网络（GCNs）来改进半监督图像分类。该方法通过使用视觉语言模型（VLM）生成图像的文本描述来解决图像分类中的图构建挑战。然后，这些描述由 LLM 处理，以估算图像之间的语义相似度得分，这些得分用于改进 GCNs 使用的图。这种改进过程有助于过滤掉语义上不相关的连接，从而提高分类准确性，尤其是在使用 kNN 图时。
-
新的 Mem-GF 方法大幅降低了可扩展协同过滤的内存使用量
研究人员开发了 Mem-GF，一种用于协同过滤（CF）的内存高效图过滤的新颖方法，可显著减少内存使用并提高运行速度。与以前需要存储完整项目相似性图的方法不同，Mem-GF 利用 Krylov 子空间在不进行显式存储的情况下近似多项式图滤波器。实验表明，Mem-GF 的内存使用量减少了 5.74 倍，速度提高了 4.38 倍，同时在推荐准确性和可扩展到大型数据集方面优于最先进的 GF 和基于 GCN 的方法。
-
利用邻近图增强的图神经网络用于沙尘排放预测
研究人员开发了一种新方法，通过整合邻近图来增强图神经网络（GNNs）在沙尘源排放预测中的应用。这些图，包括 Delaunay 三角剖分、Gabriel 图、k-最近邻图和 Yao 图，被用作 GraphSAGE、图卷积网络（GCNs）和图注意力网络（GATs）等各种 GNN 架构的输入。研究表明，使用邻近图的 GNN 在准确预测沙尘现象方面，其性能显著优于使用随机图的模型，并且也优于传统的长短期记忆（LSTM）模型。
-
新的GNN方法通过多特征聚合增强图像分类
一篇新的研究论文提出了一种使用图神经网络（GNN）的增强型半监督图像分类方法，该方法在标记数据有限的情况下尤其有益。该方法整合了来自不同提取器的多样化特征表示，并采用秩聚合技术来组合这些特征。实验结果表明，这种多特征聚合策略以及用于图处理的流形学习，显著提高了分类准确性。
-
新框架揭示关系学习模型中依赖于几何的性能
研究人员引入了一个新的关系学习模型评估框架，超越了对不同数据集平均性能的标准化排行榜。这种新方法根据数据集的几何特性对其进行分层，揭示了模型性能在很大程度上取决于这些内在几何特性。该研究评估了包括 GCN 和 GFM 在内的 18 个模型，跨越 14 个数据集，发现排名在不同的曲率范围内显著变化，这表明一些先进模型在特定的几何环境中可能收益递减。
-
自注意力机制在3D手部姿态提升方面优于图卷积
研究人员重新评估了图卷积网络（GCNs）在2D到3D手部姿态估计中的应用，发现标准的Multi-head自注意力模型表现更好。通过在FPHA基准上的对照实验，自注意力机制将平均每关节位置误差（MPJPE）从12.36毫米降低到10.09毫米，优于GCNs。研究表明，自适应空间注意力比固定的图卷积更适合这项任务，而手部拓扑结构在作为软结构先验时最有益。