组会
文章平均质量分 92
清忖灬
万事顺遂
展开
-
2.4组会 ------ Variational Gridded Graph Convolution Network for Node Classification论文精读
在这篇文章中,我们提出了一个高性能的变量网格化图卷积网络VG-GCN来编码非正规的图数据,这种方法克服了所有的前面提到的方法。在真实世界的运用中,有大量的非欧几里得结构数据如社交网络,引文网络,知识图谱、蛋白质-蛋白质的相互作用和时间序列系统,这些通常都是非网格化数据并且不能被习惯性地用传统卷积网络编码。在这篇文章中,我们提出了一个高效的变量网格化图卷积网络(VG-GCN),它有着高计算性能,低内存损耗,便携的批处理大小,可比甚至优于GCNs。三、Introduction。二、Abstract。原创 2023-02-03 15:38:59 · 161 阅读 · 0 评论 -
1.19组会 ------ C-GCN论文精读
然而,由于细微的表达,情感的抽象概念和多模态信息的表征,AER仍然是一个具有挑战性的任务。为了探究这种相互关系,在这篇文章中,我们为AER问题提出了一个新颖的基于相关性的图卷积神经网络(C-GCN),这种方法可以综合性地考虑到内在类别和用于特征学习和信息融合的内在类别视频。3)特征更新:在多重全连接边加权图的基础下,为了更能考虑到视频之间的相互关系,我们应用了经典的注意力-GCN模型来产生节点嵌入。像图1表现的那样,我们想要挖掘视频之间的相互关系来缩短特征空间中来自同一类的视频描述符之间的距离。原创 2023-01-18 21:21:08 · 436 阅读 · 2 评论 -
1.14组会 ------ Multi-modal Graph Learning 论文精读
为了有效地提取到与疾病关系密切的多模态信息,我们还提出了模态感知表征学习通过利用模态之间的相关性和互补性来聚合每一个模态的特征。除此之外,大多多模态表征学习方法仅仅是捕捉模态间的共性信息,模态之间的不同性缺被忽略,很有可能导致互补性的不足。因为图的强表达能力,以图为基础的方法已经广泛地被运用去处理多模态医学数据并且在众多的生物医学应用上获得了极好的表现。对于疾病预测任务,大多数现有的以图为基准的方法都是在特定的模态上(例如,生物医学图信息)由人工来定义图,然后通过GRL整合其他模态来获得病人的表征信息。原创 2023-01-14 13:35:02 · 882 阅读 · 0 评论