.png){kind=icon}
返回
Diffusion-Guided graph generation for multi-view semi-Supervised classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.108822.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大量研究关注多视图学习，因为其能够获取更优的表示。尽管许多图卷积的变体已被良好地应用于多视图半监督任务，但它们大多受限于多视图数据集往往缺乏天然的图结构。此外，现有方法直接利用原始特征空间获取图结构，未考虑可能存在的噪声以及表示学习协同获取的问题。为解决上述挑战，本文提出了一种图生成深度学习方法，称为多视图扩散引导图生成，包含两个模块：扩散模块和聚合模块。前者利用热扩散方程作为低通滤波器，从各视图的原始特征中获取纯净的特征空间。后者通过残差连接保留原始信息，生成一致的特征表示空间及其邻接矩阵。相应地，这些输出被用于校准各视图的多个图骨干网络的参数。最后，采用融合方法整合上述多个图骨干网络的信息。广泛的实验结果证明了所提方法相较于其他多视图半监督方法的优越性能。
Keyword:
multi-view learning
graph generation
semi-supervised classification
diffusion-guided
feature representation
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
暂无论文信息