Graph Convolutional Networks
PulseAugur coverage of Graph Convolutional Networks — every cluster mentioning Graph Convolutional Networks across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
iPay框架使用多模态AI进行交通支付识别
研究人员开发了iPay，一个用于识别交通监控视频中支付动作的新框架。该系统利用多模态专家混合架构，结合RGB和骨骼数据流以及双注意力融合机制。额外的空间差分判别器显式地模拟手部到锚点的运动以增强可辨别性。iPay在一个包含500多个从真实车载交通监控收集的支付片段的数据集上实现了83.45%的识别准确率，证明了其适合边缘部署。
-
新的ES-VAE模型改进了骨骼姿态轨迹分析
研究人员开发了一种弹性形状变分自编码器（ES-VAE），旨在更有效地建模骨骼姿态轨迹。该新模型使用一种感知几何的表示方法来分离内在形状动力学和运动，消除了相机视角和执行速度等干扰因素。在从步态周期预测临床活动能力评分和动作识别任务等应用中，ES-VAE已证明其性能优于标准的VAE和其他序列建模基线。
-
新的ALDA4Rec方法通过基于图的学习改进推荐系统
研究人员开发了一种名为ALDA4Rec的新方法，通过解决基于图的模型中的噪声和静态表示来改进推荐系统。该方法构建了一个物品-物品图，使用社区检测过滤噪声，并增强了用户-物品交互。在真实数据集上的实验表明，ALDA4Rec在准确性和鲁棒性方面优于现有方法。
-
研究人员探讨图卷积网络中的隐私-效用权衡
研究人员开发了一个理论框架，通过检查子采样稳定性来理解图卷积网络（GCNs）中的差分隐私。该研究推导了误分类率的上限，并将其直接与子采样概率联系起来。它还定义了隐私-效用权衡，表明过高或过低的子采样概率可能导致无效的隐私保证或准确性降低。
-
深度图网络将犯罪热点预测准确率提高至78%
研究人员开发了一个新的框架，使用深度图卷积网络（GCNs）来预测犯罪热点。该方法将犯罪数据建模为图，其中网格单元是节点，邻近性定义边，使其能够捕捉传统方法忽略的复杂空间依赖性。该多层GCN模型在芝加哥犯罪数据集上进行训练，实现了78%的分类准确率，并生成了可解释的热力图，证明了其在预测性警务方面的有效性。
-
MixTGFormer 在三维人体姿态估计方面达到最先进水平
研究人员开发了一种名为 MixTGFormer 的新方法用于三维人体姿态估计，旨在改进现有的基于 Transformer 的方法。这种新颖的网络将图卷积网络 (GCN) 集成到其 Transformer 架构中，以更好地捕捉局部骨骼关系和全局时空动态。在 Human3.6M 和 MPI-INF-3DHP 基准数据集上的实验表明，MixTGFormer 取得了最先进的成果，优于其他方法。