【NIPS-2021】BernNet: Learning Arbitrary Graph Spectral Filters via Bernstein Approximation
作者：Mingguo He 、Zhewei Wei、Zengfeng Huang、Hongteng Xu 中国人民大学高瓴人工智能学院
文章导读：现有的工作中，图谱滤波器需要认为预定义，或者在没有约束的情况下直接学习，这可能导致滤波器过于简化或者缺少可解释性。本文提出基于Bernstein多项式的BerNet。这种方法使用K阶Bernstein多项式逼近图在归一化拉普拉斯谱上的任何滤波器。
文章链接：https://arxiv.org/abs/2106.10994

【AAAI2021】Contrastive Self-supervised Learning for Graph Classification
作者：Jiaqi Zeng, Pengtao Xie，UC San Diego
文章导读：图分类是一个重要的应用，在现实中，带标签的图数量很少，导致模型的过拟合。本文提出了两种对比自监督学习的方法来避免这种过拟合的现象。一种方法先是在无标签的数据集上做预训练，再在带标签的数据集上做微调。另一种方法是同时进行监督的分类任务和无监督的对比学习任务。在对比学习之前要先对图进行数据增强，本文使用了四种方法。删除节点和边以及增加节点和边。在增加节点时，从图中选择一个强连通的子图(1,3,4)，删除掉所有边，加入一个新节点(5)，将新节点与子图的所有点相连。
论文链接：https://arxiv.org/pdf/2009.05923.pdf

【Elsevier Journal】Saliency detection using Multi-layer graph ranking and combined neural networks

作者：ChaoJi， Xinbo Huang ，WenCao，YongcanZhu，YeZhang

导读：在本文中，提出了一种基于组合神经网络的新算法来改进复杂图像中的显着目标检测。它由两个主要步骤组成。第一步，构建在多层图结构上优化的目标函数，将显着性从边界扩散到显着对象，旨在粗略估计图像显着对象的位置和范围，同时利用颜色属性快速在图像中找到一组与对象相关的区域。第二步，用Region Net和Local-Global Net建立组合神经网络。采用 Region Net 有效地生成具有尖锐物体边界的显着图。然后提出了基于多尺度空间上下文的Local-Global Net来提供强可靠的多尺度上下文信息，从而达到优化的性能。实验结果和对比分析表明，所提出的算法在精度召回曲线、F-measure和平均绝对误差方面比大多数面向低级的先验方法更有效和优越。

链接：https://www.sciencedirect.com/science/article/pii/S1047320319302949

内容中包含的图片若涉及版权问题，请及时与我们联系删除