CN110889015A - 面向图数据的独立解耦卷积神经网络表征算法 - Google Patents
面向图数据的独立解耦卷积神经网络表征算法 Download PDFInfo
- Publication number
- CN110889015A CN110889015A CN201911057124.2A CN201911057124A CN110889015A CN 110889015 A CN110889015 A CN 110889015A CN 201911057124 A CN201911057124 A CN 201911057124A CN 110889015 A CN110889015 A CN 110889015A
- Authority
- CN
- China
- Prior art keywords
- node
- neural network
- graph data
- convolutional neural
- decoupling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012512 characterization method Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract 1
- 238000012800 visualization Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 17
- 239000011159 matrix material Substances 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000689227 Cora <basidiomycete fungus> Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006916 protein interaction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明提供了一种面向图数据的独立解耦卷积神经网络表征算法。它提出了一种全新的利用独立因素解耦的神经网络结构，先利用邻域路由机制进行解耦表征学习，接着通过HSIC算法增强了节点与邻居节点之间潜在因素表示的独立性，并将其作为正则化项集成到卷积神经网络中。通过本发明方法可以增强节点潜在因素间的独立性，得到更好的图节点分离表示。经过不同图数据的验证，本发明可应用于包括半监督图分类、图聚类和图可视化这三类任务，并且均具有良好的性能和明显的优势。
Description
技术领域
本发明涉及一种基于图卷积神经网络的解耦表佂学习算法，属于机器学习、图卷积神经网络、图表示学习领域。
背景技术
图卷积神经网络作为一种典型的图数据深度学习技术，引起了人们的广泛关注。它将传统数据的卷积运算扩展到图数据上，通过学习节点传播的邻域信息获得节点的表示。通过此方法，可以在图上执行各种任务，例如节点聚类、分类和链接预测等任务。目前，图卷积神经网络已经被广泛应用于社交网络，知识图谱，蛋白质相互作用网，世界贸易网等领域。
图数据通常是由多种具有高度复杂的相互作用的潜在因素组合形成的，例如，社交网络中的人通常由于各种原因(如爱好、教育和工作)与他人产生联系，此时每个人和其他人往往只有一部分共同的信息。因此，为使节点表示的信息更具有判别性，人们通常利用潜在因素判断不同邻域部分之间的差别。此外，人们还利用潜在因素挖掘图数据中的潜在结构。目前，许多人提出利用解耦图卷积网络获取图数据的潜在因素，但该方法只考虑了分离的表征学习，而忽略了潜在因素之间的独立性，使得数据被重复表述。
为了解决上述问题，本发明基于传统解耦网络提出了一种新的学习方法，即面向图数据的独立解耦卷积神经网络。
发明内容
本发明提出了一种基于图卷积神经网络的解耦表佂学习算法，它可以自动地发现图数据中的独立潜在因素。该算法主要包含两个方面：第一，提出了基于邻域路由机制的解耦表征学习。第二，引入了希尔伯特-施密特独立性指标并通过它测量节点间在不同潜在因素下的相关性，接着通过最小化目标函数的方式增强不同表征之间的独立性。本发明在统一的框架下，对节点分离表征学习和独立正则化进行联合优化，最终得到了更好的图节点表示。
本发明的技术方案，包括下列步骤：
步骤1：获取图数据包括当前节点及其邻居节点的特征向量；
步骤2：获取邻居节点通过不同潜在因素下映射到当前节点的特征向量；
步骤3：通过迭代的方法更新邻居节点在每个潜在因素上的表征以及对应潜在因素存在的概率；
步骤4：利用最小化希尔伯特-施密特独立性指标提高不同潜在因素的独立性；
步骤5：输出节点的解耦表示，通过Softmax函数获得预测标签，并最小化损失函数。
与现有技术相比，本发明的有益效果是：本发明首次讨论并实现了不同潜在因素之间的独立性表示，提出了一种独立正则化的图卷积网络解耦框架。该框架将节点的拓扑结构和节点内容表示为不同的潜在因素，并且利用希尔伯特-施密特独立性指标来有效地度量不同潜在表示之间的依赖性，提高了图的解耦表征质量。
附图说明
图1总体框架示意图，即摘要附图；
图2算法原理；
图3可视化嵌入结果图；
图4数据集参数；
图5半监督分类结果；
图6节点聚类结果。
具体实施方式
下面结合具体实施方式对本发明作进一步详细地描述。图1给出了本发明的基于图卷积神经网络的解耦表征学习算法的流程图。如图1所示，本发明的一种基于图卷积神经网络的解耦表征学习算法包括：
1.获取图数据作为输入，包括节点及其邻居节点的特征向量；
2.获取邻居节点，通过不同潜在因素映射到当前节点的特征向量；
3.通过迭代的方式更新节点间通过不同潜在因素存在连接的概率以及节点在每个潜在因素上的表示；
4.通过最小化希尔伯特-施密特独立性指标提高不同潜在因素之间的独立性；
5.输出节点分离后的表示，最小化损失函数并通过Softmax函数获得预测标签，最小化损失函数。
下面结合附图，对本发明技术方案的具体实施过程加以说明。
1.实验对象
本发明引用了三个标准网络数据集进行实验，包括Cora数据集，Citeseer数据集和Pubmed数据集。图4展示了数据集的具体参数。在这些数据集中，将文档看作独立的节点，将文档之间相互引用的关系视为节点之间的边，此时边之间是无向的。节点特征即为该节点所对应文档的词袋模型表示的元素。节点的标签为该文档所涉及的研究领域。在本实验中仅从每类数据中选取20个节点用于模型的训练。
2.基于图卷积神经网络的解耦表征学习算法
2.1图数据
本发明方法中用
表示网络图，v为所有节点的集合，ε为所有边的集合，
是包含所有节点属性信息的编码矩阵。
2.2分离表征学习
本发明假设每个节点均包含M个潜在因素(即M个通道上的表示)，此时节点u的特征向量
其潜在因素上的表示为
为第m个因素的解耦表示。
在图数据中对于任意节点o∈{u}∪{v：(u，v)∈ε}，首先需将它的特征向量映射到不同子空间中，以获取其邻居节点与该节点在某一潜在因素中的联系。
其中，
和
为第m通道的参数。此时为保证所得数值稳定，采用2-范数进行正则化。
为了获得所有通道的解耦表示，本发明采用邻域路由机制与迭代的方式获取潜在因素存在的概率并为邻居节点分配通道。
其中t＝1，2，.....，T为迭代次数，本发明发明中T＝7。
为节点u与邻居节点v通过潜在因素m相联系的概率。
2.3潜在因素的独立表示
本发明中采用希尔伯特-施密特独立性指标(HSIC)衡量不同因素间的独立性，对于潜在因素i，j(1≤i，j≤M，i≠j)，分别用ei，ej表示他们的解耦表示。
其中
为ei，ej的协方差，φ(ei)与ψ(ej)是关于将ei∈x，ej∈y映射到核空间
和Ω的核函数k(ei，p，ej，p)＝<φ(ei，p)，φ(ei，q)>和s(ej，p，ej，q)＝<φ(ej，p)- φ(ej，q)>。此时，利用该方式即可测量它们的相关性。它将表示映射到再生核空间来测量它们的相关性，使得在该空间中测量的相关性对应于原始分布和更复杂的相关性之间的高阶联合矩。
希尔伯特-施密特独立性指标作为相关互协方差算子ei，ej的希尔伯特-施密特范数定义如下：
其中
因此，该方法被简化为如下公式：
此时K和S是具有kp，q＝k(ei，p，ei，q)，sp，q＝s(ej，p，ej，q)的Gram矩阵。
使Gram矩阵在特征空间中平均值为零。
该方法能够在不明确估计随机变量联合分布的情况下，估计表征之间的依赖关系。在本发明中使用了内积核函数，即K＝eiei T，并且获得了较好的结果。除此之外，本发明中通过最小化HSIC(ei，ej)函数，增强了核矩阵之间的一致性和不同潜在因素K和S之间的独立性，有效减少了由不同通道获得的投影矩阵W参数化后不同隐表示的核矩阵之间的一致性。
2.4损失函数
本发明损失函数由两部分组成，第一部分为交叉熵损失函数：
其中vL是含有标签的节点集，C代表标签类别的数目，Y是标签矩阵，
是通过Softmax函数预测的标签矩阵。
损失函数的第二部分为HSIC正则化损失函数：
此时本发明的整体损失函数为：
其中λ是控制正则化项的权重参数，最小化损失函数以对模型进行优化。
3.实验对比算法
实验中将本发明的方法与以下方法进行了对比：
MLP：又称为多层感知机，是一种神经网络的基础方法；
ManiReg：是一种基于流形正则化的半监督学习模型，可以充分利用边缘分布的几何特性；
SemiEmb：是一种半监督嵌入学习模型；
LP：是一种基于高斯随机场模型的拉贝尔传播方法；
DeepWalk：又称为深度游走，是一种基于随机游走的图网络嵌入方法；
ICA：是一种基于链接的分类方法，可以描述链接分布和链接对象属性；
Planetoid：该模型是一种归纳的、基于嵌入的半监督学习模型。它在训练过程中使用图结构作为正则化的一种形式，在推理过程中不使用图结构信息；
ChebNet：是一种谱图卷积网络，通过对图拉普拉斯的切比雪夫展开，减少了拉普拉斯特征向量和产生空间局部化滤波器的计算；
GCN：是一种简单而有效的ChebNet模型，在节点周围的一阶邻域中进行运算；
MoNet：是CNN的一种扩展体系结构，它学习非欧式数据的局部、静态和组合任务特定特征；
GAT：通过引入多头注意力机制，给不同的邻居分配不同的权重，是一种 GCN的改进网络；
DisenGCN：是一种图卷积网络，试图通过邻域路由机制来分离复杂图中的潜在因素。
4.实验结果
本发明中采用4层卷积神经网络，4个潜在因素，每一层的输出维数均为64，因此每个因素为16维。在迭代过程中，邻域路由机制迭代次数为7，然后使用超参数优化方法自动调整模型，以此评价算法的效率。
图5展示了本发明方法在三个数据集中进行分类任务的准确率，观察表格可知分类效果最好的算法即为IPGDN(本发明方法)。图6展示了节点执行聚类任务时不同方法在三个数据集中的准确率，从各项数据可发现IPGDN相较于其他方法仍保持着较大的优势。除此之外，图3为在进行数据可视化任务时的最终结果。通过实验结果表明，本发明IPGDN算法在与图节点相关的任务上优于现有算法。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (9)
1.一种面向图数据的独立解耦卷积神经网络表征算法，包括下列步骤：
步骤1：获取图数据信息，包括当前节点及其邻居节点的特征向量；
步骤2：通过解耦方法获取邻居节点通过不同潜在因素即通道映射到当前节点的特征向量表示；
步骤3：通过迭代的方法更新邻居节点在每个潜在因素上的表示以及与当前节点通过该潜在因素存在连接的概率；
步骤4：利用最小化希尔伯特-施密特独立性指标提高不同潜在因素之间的独立性；
步骤5：输出节点分离后的表示，通过Softmax函数获得预测标签，并最小化损失函数。
2.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤1中，获取节点特征向量
以及其邻居节点特征向量
的作为输入，f为特征向量维度。
3.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤2中，本发明假设每个节点均包含M个潜在因素即M个通道，节点u的潜在因素表示为
其中em为第m个的解耦表示。
4.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤2中，本发明将邻居节点的特征向量映射到节点u的不同子空间，可获得该节点与不同潜在因素的联系zu，m，为避免邻域特征数据不统一，此时用2-范数进行规范化。
5.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤3中，为了获取节点u在所有潜在因素中的表示并将其邻居节点v正确分类，采用邻域路由机制的方式计算每个因素与节点有关的概率，利用迭代的方法更新em与概率pv，m。
6.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤4中，采用希尔伯特-施密特独立性指标(HSIC)来度量各潜在因素之间的相关性，通过HSIC正则化增强所学习表示的独立性。
7.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤5中，获得正则化后的输出。
8.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤5中，对于半监督分类任务网络的最终层为全连接层，之后通过Softmax函数进行预测，获得对应标签。
9.根据权利要求1所述的一种面向图数据的独立解耦卷积神经网络表征算法，其特征在于，步骤5中，须通过上述条件最小化损失函数
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911057124.2A CN110889015B (zh) | 2019-10-31 | 2019-10-31 | 面向图数据的独立解耦卷积神经网络表征方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911057124.2A CN110889015B (zh) | 2019-10-31 | 2019-10-31 | 面向图数据的独立解耦卷积神经网络表征方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110889015A true CN110889015A (zh) | 2020-03-17 |
| CN110889015B CN110889015B (zh) | 2024-01-30 |
Family
ID=69746671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911057124.2A Active CN110889015B (zh) | 2019-10-31 | 2019-10-31 | 面向图数据的独立解耦卷积神经网络表征方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110889015B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111737535A (zh) * | 2020-06-22 | 2020-10-02 | 复旦大学 | 一种基于元结构和图神经网络的网络表征学习方法 |
| CN111916144A (zh) * | 2020-07-27 | 2020-11-10 | 西安电子科技大学 | 基于自注意力神经网络和粗化算法的蛋白质分类方法 |
| CN112000689A (zh) * | 2020-08-17 | 2020-11-27 | 吉林大学 | 一种基于文本分析的多知识图谱融合方法 |
| CN112364983A (zh) * | 2020-11-12 | 2021-02-12 | 浙江工业大学 | 一种基于多通道图卷积神经网络的蛋白质互作网络节点分类方法 |
| CN113157957A (zh) * | 2021-03-05 | 2021-07-23 | 北京工业大学 | 一种基于图卷积神经网络的属性图文献聚类方法 |
| CN113378913A (zh) * | 2021-06-08 | 2021-09-10 | 电子科技大学 | 一种基于自监督学习的半监督节点分类方法 |
| CN113765691A (zh) * | 2021-01-14 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种网络规划方法和装置 |
| CN115640838A (zh) * | 2022-12-26 | 2023-01-24 | 逻安科技(天津)有限责任公司 | 一种基于延拓神经网络的可重构逻辑门实现方法及处理器 |
| CN116701907A (zh) * | 2023-05-31 | 2023-09-05 | 西安工业大学 | 一种基于自适应图扩散的判别多标签特征选择方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325517A (zh) * | 2018-08-14 | 2019-02-12 | 浙江大学 | 一种基于Attention的循环神经网络模型的图分类方法 |
| CN109766935A (zh) * | 2018-12-27 | 2019-05-17 | 中国石油大学(华东) | 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 |
| CN109977232A (zh) * | 2019-03-06 | 2019-07-05 | 中南大学 | 一种基于力导图的图神经网络可视分析方法 |
| CN110046660A (zh) * | 2019-04-10 | 2019-07-23 | 江南大学 | 一种基于半监督学习的乘积量化方法 |
| CN110083778A (zh) * | 2019-04-08 | 2019-08-02 | 清华大学 | 学习分离表征的图卷积神经网络构建方法及装置 |
-
2019
- 2019-10-31 CN CN201911057124.2A patent/CN110889015B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325517A (zh) * | 2018-08-14 | 2019-02-12 | 浙江大学 | 一种基于Attention的循环神经网络模型的图分类方法 |
| CN109766935A (zh) * | 2018-12-27 | 2019-05-17 | 中国石油大学(华东) | 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法 |
| CN109977232A (zh) * | 2019-03-06 | 2019-07-05 | 中南大学 | 一种基于力导图的图神经网络可视分析方法 |
| CN110083778A (zh) * | 2019-04-08 | 2019-08-02 | 清华大学 | 学习分离表征的图卷积神经网络构建方法及装置 |
| CN110046660A (zh) * | 2019-04-10 | 2019-07-23 | 江南大学 | 一种基于半监督学习的乘积量化方法 |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111737535A (zh) * | 2020-06-22 | 2020-10-02 | 复旦大学 | 一种基于元结构和图神经网络的网络表征学习方法 |
| CN111737535B (zh) * | 2020-06-22 | 2022-10-18 | 复旦大学 | 一种基于元结构和图神经网络的网络表征学习方法 |
| CN111916144A (zh) * | 2020-07-27 | 2020-11-10 | 西安电子科技大学 | 基于自注意力神经网络和粗化算法的蛋白质分类方法 |
| CN111916144B (zh) * | 2020-07-27 | 2024-02-09 | 西安电子科技大学 | 基于自注意力神经网络和粗化算法的蛋白质分类方法 |
| CN112000689A (zh) * | 2020-08-17 | 2020-11-27 | 吉林大学 | 一种基于文本分析的多知识图谱融合方法 |
| CN112000689B (zh) * | 2020-08-17 | 2022-10-18 | 吉林大学 | 一种基于文本分析的多知识图谱融合方法 |
| CN112364983A (zh) * | 2020-11-12 | 2021-02-12 | 浙江工业大学 | 一种基于多通道图卷积神经网络的蛋白质互作网络节点分类方法 |
| CN112364983B (zh) * | 2020-11-12 | 2024-03-22 | 浙江工业大学 | 一种基于多通道图卷积神经网络的蛋白质互作网络节点分类方法 |
| CN113765691B (zh) * | 2021-01-14 | 2023-06-27 | 北京京东振世信息技术有限公司 | 一种网络规划方法和装置 |
| CN113765691A (zh) * | 2021-01-14 | 2021-12-07 | 北京京东振世信息技术有限公司 | 一种网络规划方法和装置 |
| CN113157957A (zh) * | 2021-03-05 | 2021-07-23 | 北京工业大学 | 一种基于图卷积神经网络的属性图文献聚类方法 |
| CN113378913B (zh) * | 2021-06-08 | 2023-10-31 | 电子科技大学 | 一种基于自监督学习的半监督节点分类方法 |
| CN113378913A (zh) * | 2021-06-08 | 2021-09-10 | 电子科技大学 | 一种基于自监督学习的半监督节点分类方法 |
| CN115640838B (zh) * | 2022-12-26 | 2023-04-07 | 逻安科技(天津)有限责任公司 | 一种基于延拓神经网络的可重构逻辑门实现方法及处理器 |
| CN115640838A (zh) * | 2022-12-26 | 2023-01-24 | 逻安科技(天津)有限责任公司 | 一种基于延拓神经网络的可重构逻辑门实现方法及处理器 |
| CN116701907A (zh) * | 2023-05-31 | 2023-09-05 | 西安工业大学 | 一种基于自适应图扩散的判别多标签特征选择方法 |
| CN116701907B (zh) * | 2023-05-31 | 2023-12-08 | 西安工业大学 | 一种基于自适应图扩散的判别多标签特征选择方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110889015B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110889015A (zh) | 面向图数据的独立解耦卷积神经网络表征算法 | |
| CN111291212A (zh) | 基于图卷积神经网络的零样本草图图像检索方法和系统 | |
| Wang et al. | ProClusEnsem: predicting membrane protein types by fusing different modes of pseudo amino acid composition | |
| CN108182260B (zh) | 一种基于语义选择的多变量时间序列分类方法 | |
| CN113408455B (zh) | 一种基于多流信息增强图卷积网络的动作识别方法、系统及存储介质 | |
| CN108021930A (zh) | 一种自适应的多视角图像分类方法及系统 | |
| CN111476261A (zh) | 一种社区增强的图卷积神经网络方法 | |
| Ning et al. | Conditional generative adversarial networks based on the principle of homologycontinuity for face aging | |
| Gopinath et al. | Adaptive graph convolution pooling for brain surface analysis | |
| Zhao et al. | DAR-Net: Dynamic aggregation network for semantic scene segmentation | |
| Setiawan et al. | Sequential inter-hop graph convolution neural network (SIhGCN) for skeleton-based human action recognition | |
| Zhao et al. | JSNet++: Dynamic filters and pointwise correlation for 3D point cloud instance and semantic segmentation | |
| Zhang et al. | Deep Self-representative Concept Factorization Network for Representation Learning∗ | |
| Dinesh et al. | Point cloud sampling via graph balancing and Gershgorin disc alignment | |
| Cao et al. | QMEDNet: A quaternion-based multi-order differential encoder–decoder model for 3D human motion prediction | |
| CN116434347B (zh) | 一种基于掩码图自编码器的骨架序列识别方法及系统 | |
| CN108009570A (zh) | 一种基于核正负标签传播的数据分类方法及系统 | |
| CN110717402B (zh) | 一种基于层级优化度量学习的行人再识别方法 | |
| CN116595479A (zh) | 基于图双重自编码器的社区发现方法、系统、设备及介质 | |
| CN116188428A (zh) | 一种桥接多源域自适应的跨域组织病理学图像识别方法 | |
| Padala et al. | Effect of input noise dimension in GANs | |
| Behmanesh et al. | Geometric multimodal learning based on local signal expansion for joint diagonalization | |
| Langs et al. | Modeling the structure of multivariate manifolds: Shape maps | |
| CN114780767A (zh) | 一种基于深度卷积神经网络的大规模图像检索方法及系统 | |
| Lee et al. | SAF-Nets: Shape-Adaptive Filter Networks for 3D point cloud processing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |