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。
-
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。