ICLR2021-3：GRAPH VIEW-CONSISTENT LEARNING NETWORK

最新推荐文章于 2021-09-24 10:34:41 发布
最新推荐文章于 2021-09-24 10:34:41 发布
阅读量308 收藏
点赞数
分类专栏： GNN Model 文章标签： 图神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36618444/article/details/109398771
版权
该论文提出了图视图一致性学习框架（GVCLN），用于半监督节点分类任务，通过协同训练思想解决标签不足的问题。模型包含两个不同视图的图神经网络（GCN和GAT），确保不同视图的节点表示相似。实验表明该方法在多个任务上具有高效性和有效性。
摘要由CSDN通过智能技术生成

第三篇双盲论文。
本论文把Co-train（协同训练）的思想引入半监督节点分类的任务中，取得了不错的效果，但是个人感觉创新性还是稍显不足，不知道最后能不能中ICLR。
本文的贡献总结如下：
提出了一种用于半监督节点分类的图视图（view）一致性学习框架，充分论证了图视图一致性的理论结构。
设计了GVCLN，成功地解决了半监督学习中的标签不足问题。
在不同的半监督节点分类任务上证明了所提方法的高效率和有效性。

co-train

为了明白本文到底在做什么，首先你得先知道协同训练。这里偷个懒，直接引用别人的博客：
在这里插入图片描述
也就是说训练不同的分类器，并根据分类器的分类结果扩充置信度高的数据作为训练集。当然，这对分类器的要求还是比较高的，如果是弱分类器，得到的分类结果都不可信，那么再假设这个结果为ground-truth使用它进行训练，得到的结果一定不

了解本专栏 订阅专栏 解锁全文 超级会员免费看
五月的echo
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
专栏目录
订阅专栏
Group Consistent Similarity Learning via Deep CRF for Person Re-Identification学习笔记
与贰的博客
07-28 1901
很久没有写博客了，这一周的时间可以讲几乎一半都在琢磨思考这篇文章，特别是里面参杂着条件随机场就更加的难以思量了，所以花费了很久到现在才算大概清楚了，这里呢，对这篇文章的学习过程做一个简单的记录，方便自己review也提供给后来者参考。 1）首先是关于这个里面涉及的条件随机场，我觉得没有接触过的同学不需要把他当成一个预备知识尝试先去了解一下，因为这是一个特别大，特别大，特别大的坑（我进坑了，到这会...
＜Multi-View Image Classification With Visual, Semantic and View Consistency＞笔记
小海鲜的博客
08-02 592
预备知识 1、单视图 2、多视图 3、多视图半监督 4、语义 5、语义一致性 6、视觉一致性 问题与答案 本文方法 论文内容 1、多视图数据预处理 本文中，视图是指由各种基于最先进的深度卷积神经网络方法生成的视觉表示。 比如共有5个视图（view1~5），原始数据经过任意神经网络模型的处理，得到各自的视图表示(????_????^????,????_????) ，???? = 1…????，????是图像的数量， ????_????^????,是第????幅图像在第????视图
【语义分割】9、Mining Contextual Information Beyond Image for Semantic Segmentation
呆呆的猫的博客
09-24 1392
文章目录一、背景二、动机三、方法3.1 整体结构3.2 特征存储模块 Feature Memory Module3.3 数据集层面的上下文聚合 Dataset-level Context Aggregation3.4 表达一致性的学习 Representation Consistent Learning3.5 Loss四、效果 论文链接：https://arxiv.org/pdf/2108.11819.pdf 代码链接：https://github.com/CharlesPikachu/mcibi 代码合
论文笔记 Unsupervised Scale-consistent Depth Learning from Video
weixin_43886134的博客
07-09 2040
2021 [IJCV] Unsupervised Scale-consistent Depth Learning from Video [code] (Extended version of NeurIPS 2019) [Project webpage] ???? contributions： （1）几何一致性loss，让网络预测尺度一致性的深度，惩罚相邻视野间深度的不一致性（第一个讨论尺度一致性的） （2）一种自我发现的mask，自动定位违反基本静态场景假设并在训练时产生噪声的运动物体。 （3）在KI
伪标签还能这样用？半监督力作UPS（ICLR 2021）大揭秘！
阿木寺的博客
02-19 2030
点击上方“CVer”，选择加"星标"置顶重磅干货，第一时间送达本文作者：罗驳思 | 来源：知乎（已授权）https://zhuanlan.zhihu.com/p/3507...
Multi-view learning methods with code（多视角学习的代码集合）
libertyhhn的博客
05-05 4629
Multi-view learning methods with code Part A: general multi-view methods with code 1. NMF (non-negative matrix factorization) based methods NMF factorizes the non-negative data matrix into two non-negative matrices. 1.1 AAAI17 Multi-View Clustering via
图注意力网络(GAT) ICLR2018, Graph Attention Network论文详解
热门推荐
祥瑞的技术博客
04-21 10万+
背景：ICLR2018 论文，Graph Attention Network在GNN中非常重要，再之前图卷积网络GCN的基础之上引入了注意力机制，非常实用。 论文地址：https://arxiv.org/abs/1710.10903 代码地址： https://github.com/Diego999/pyGAT 相关论文详解： GCN (Graph Convolutional Networ...
ICLR2021-Stats:ICLR 2021统计和图表
05-27
ICLR 2021统计和图表 用法 运行以下结果的ipython笔记本iclr2021_stats.ipynb 。 或者，在各自的csv文件中使用作者和隶属关系数据。 我还包括了一个直接脚本，用于使用简单的Selenium和漂亮的汤方法在scrape_...
iclr-2021-baynne:ICLR 2021深度学习仿真研讨会论文
04-06
iclr-2021-Baynne ICLR 2021仿真深度学习研讨会论文。 档案文件 main.py：主文件，设置超参数，执行训练，保存模型检查点等 BNN.py：异方差神经网络的类定义 gaussian_nll_loss_class.py：高斯负对数似然损失 ...
Learning-From-Rules:在ICLR2020（https：
05-07
从规则化标签示例中学习（ICLR 2020） 该存储库在我们的提供了实验的实现 @inproceedings{ Awasthi2020Learning, title={Learning from Rules Generalizing Labeled Exemplars}, author={Abhijeet Awasthi and ...
ICLR2019-OpenReviewData:从ICLR OpenReview网页抓取元数据的脚本。 在Ubuntu上安装和使用Selenium和ChromeDriver的教程
04-14
抓取并可视化ICLR 2019 OpenReview数据 内容描述 此Jupyter笔记本包含ICLR 2019 OpenReview网页爬网的数据和可视化内容。 所有已抓取的数据（按平均评分排序）都可以在找到。 接受的论文对被拒绝的论文的平均评分为6...
Nasty-Teacher:[ICLR 2021 Spotlight Oral]“不可蒸馏
05-01
马皓宇，陈天龙，胡婷奎，尤晨宇，谢晓辉，王章阳在ICLR 2021聚光灯下口服 概述 我们提出了Nasty Teacher的概念，这是一种防御方法，可防止在不牺牲性能的情况下通过KD防止知识泄漏和未经授权的模型克隆。 我们...
【论文解读】Self-Supervised Viewpoint Learning From Image Collections
Kai的博客
12-08 398
目前大部分位姿估计的方法都是基于监督的方法，即需要大量的标记训练数据集。但是手工标注数据耗时耗力，容易出错；同时，从网上获取未标记数据很方便。本文基于analysis-by-synthesis的方法，提出了一种自监督的方法来估计人脸/汽车等对象的位姿。同监督方法相比，本文的结果具有相当竞争力。
谱卷积的GNN原理解释（Spectral Network），附代码
qq_36618444的博客
12-06 7311
谱卷积的GNN原理解释（Spectral Network） 写在最前面：基于谱分解的GNN的思想来自Kipf大佬的论文： Semi-supervised classification with graph convolutional networks， 后边许多文章都从这篇文章获得了灵感。但是由于这篇文章的理解需要建立在很深的数学功底之上，包括中科院的博士大佬在内都没有很透彻地说明以下几个问题： ...
图神经网络论文阅读(十一) Hierarchical Graph Convolutional Networks for Semi-supervised，IJCAI2019
qq_36618444的博客
08-18 3398
本文作者来自中科大。 基于邻域聚集的模型大多比较浅，缺乏图池机制，使得模型无法获得足够的全局信息。为了增加接收域，我们提出了一种新的半监督节点分类的深度层次图卷积网络（Hierarchical Graph Convolutional Network (H-GCN)）。H-GCN首先将结构上相似的节点重复聚合为超节点，然后将粗化后的图细化为原始图，恢复每个节点的表示。所提出的粗化过程扩大了每个节点的接受域，从而可以捕获更多的全局信息，而不是仅仅聚合一跳或两跳的邻域信息。本文的方法其实就是图Encoder-De
图神经网络论文阅读(一) Diffusion-Convolutional Neural Networks，NIPS2016
qq_36618444的博客
12-26 3230
Diffusion-Convolutional Neural Networks 2016年发表于INPS，作者来自马萨诸塞大学。实际上这篇文章要早于Kipf的论文，它提出了扩散图卷积网络(DCNN)，可以在结点分类和图分类的任务上分别建模，本质上属于空域（Spatial）卷积[1]。下面就按照论文的思路去介绍这篇文章。 Introduction 本文通过引入扩散-卷积（diffusion-conv...
图神经网络(二十三) Data Augmentation for Graph Neural Networks，AAAI2021
qq_36618444的博客
02-09 3181
本文的作者来自美国圣母大学。 数据增强技术已被广泛用于提高机器学习模型的通用性。然而，对于图数据增强的工作研究较少。这主要是由于图的复杂、非欧几里得结构限制了可能的操作操作。本文讨论了图数据增强的实践和理论动机、考虑因素和策略。工作表明,神经边缘预测可以有效地编码类同质结构促进内部类边并降级类间的边。之后提出了GAUG图形数据增加框架，提高GNN架构和数据集的性能。 Introduction 本文归纳了现有的三种图数据增强的办法。DropEdge。ADARdge，在预测具有相同(不同)标签且具有高置信度的节
图神经网络论文阅读(十七) MixHop: Higher-Order Graph Convolutional Architectures，ICML2019
qq_36618444的博客
10-12 3164
本文的全名叫做《MixHop: Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing》，作者们来自University of Southern California与Google AI, New York。GCN由于基于切比雪夫截断的简化使得在卷积的过程中只能使用邻居节点的信息，不能学习一般的邻域混合关系。因此本文提出了新的模型MixHop，它可以通过在不同距离重复混合邻居的特征表示来学习这些关系。
B-GAN：生成对抗网络的统一框架与密度比估计
"这篇论文是关于生成对抗网络（Generative Adversarial Networks, GANs）的统一框架，由Masatosi Uehara等人在ICLR 2017会议上提交。他们提出了一种新的算法，该算法结合了密度比估计和f-散度最小化，为理解GAN提供...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

五月的echo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值