图池化作为图神经网络中重要的组件,在获取图的多粒度信息的过程中扮演了重要角色。而当前的图池化操作均以平等地位看待数据点,普遍未考虑利用邻域内数据之间的偏序关系,从而造成图结构信息破坏。针对此问题,本文提出一种基于偏序关系的多视图多粒度图表示学习框架(multi-view and multi-granularity graph representation learning based on partial order relationships,MVMGr-PO),它通过从节点特征视图、图结构视图以及全局视图对节点进行综合评分,进而基于节点之间的偏序关系进行下采样操作。相比于其他图表示学习方法,MVMGr-PO可以有效地提取多粒度图结构信息,从而可以更全面地表征图的内在结构和属性。此外,MVMGr-PO可以集成多种图神经网络架构,包括GCN(graph convolutional network)、GAT(graph attention network)以及GraphSAGE(graph sample and aggregate)等。通过在6个数据集上进行实验评估,与现有基线模型相比,MVMGr-PO在分类准确率上有明显提升。
本文提出一种基于图互信息的池化算子——图互信息池化(graphical mutual information pooling,GMIPool)。GMIPool利用互信息神经估计度量节点及其对应的支撑图之间的图互信息(包括特征互信息和结构互信息),利用图互信息识别并保留图中...
详细信息
本文提出一种基于图互信息的池化算子——图互信息池化(graphical mutual information pooling,GMIPool)。GMIPool利用互信息神经估计度量节点及其对应的支撑图之间的图互信息(包括特征互信息和结构互信息),利用图互信息识别并保留图中的关键节点,构建更为紧凑的粗图。为确保原图和粗图在结构上的一致性,该方法利用节点之间的邻域关联性对粗图的结构进行修正。该方法在多个节点分类任务数据集上进行实验,验证了图互信息池化的有效性。
为了缓解基于伪标签的无监督域自适应行人重识别(UDA person ReID)方法中噪声标签带来的负面影响,提出了一种基于可靠性集成的无监督域自适应行人重识别(UDA-RI)方法。该方法包含渐进式伪标签提炼策略和基于可靠性集成策略两个部分。渐...
详细信息
为了缓解基于伪标签的无监督域自适应行人重识别(UDA person ReID)方法中噪声标签带来的负面影响,提出了一种基于可靠性集成的无监督域自适应行人重识别(UDA-RI)方法。该方法包含渐进式伪标签提炼策略和基于可靠性集成策略两个部分。渐进式伪标签提炼策略通过建立一个不确定性的定量标准来衡量伪标签的可靠性,并采用渐进式采样使得模型得到更加稳定的训练。基于可靠性集成策略考虑了来自不同适应时刻的知识,将来自不同迭代的模型按照可靠性高低分配的权重进行了集成,并将自集成后的两种不同架构的模型再进行集成作为最终推理模型。实验表明,与目前先进的无监督域自适应行人重识别方法相比,UDA-RI方法在Market1501、DukeMTMC-ReID和MSMT17数据集上都取得了优越的性能。
提出了一种基于自注意力融合的多图知识追踪方法(multi-graph knowledge tracing method based on self-attention,SA-MGKT),旨在通过学生的历史答题数据,对其知识的掌握程度进行模型化,并评估其未来学习的表现.首先,该方法构建了学生...
详细信息
提出了一种基于自注意力融合的多图知识追踪方法(multi-graph knowledge tracing method based on self-attention,SA-MGKT),旨在通过学生的历史答题数据,对其知识的掌握程度进行模型化,并评估其未来学习的表现.首先,该方法构建了学生–习题异质图来表示学生–习题的高阶关系,通过图对比学习技术捕获学生的答题偏好,并采用3层LightGCN进行图表征学习.然后,引入概念关联超图和有向转换图的信息,通过超图卷积网络和有向图卷积网络进行节点嵌入.最后,通过引入自注意力机制,成功融合了习题序列的内部信息以及多图表征学习所蕴含的潜在信息,从而显著提升了知识追踪模型的准确性.实验数据在3个标准数据集上均展现出令人鼓舞的结果,模型的分类性能得到了大幅提升,具体表现为相对于基线模型,在评估指标上分别提高了3.51%、17.91%和1.47%.这些结果充分验证了融合多图信息和自注意力机制对于增强知识追踪模型性能的有效性.
暂无评论