.png){kind=icon}
返回
Exploring unified cross-view hypergraph generation for multi-view semi-supervised classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107451.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图结构在多视图学习领域得到了广泛应用。超图作为一种图的扩展，能够更有效地捕捉节点间的高阶关系。然而，大多数现有的基于超图的模型都假设超图结构是现成的，这在大多数情况下是不可行的。为了缓解这一问题，我们提出了可学习的统一超图动态系统框架，这是一种针对多视图半监督分类任务的新型统一跨视图超图结构生成方法。具体而言，我们引入了四种用于统一跨视图超图生成的策略，并提出了一种生成可学习的统一跨视图超图的机制。此外，我们利用动态扩散模型来动态学习统一超图结构，这能够在多视图半监督分类任务中实现更优的性能。在多个真实数据集上的广泛实验结果表明，所提出的方法优于其他最先进的多视图算法。
Keyword:
Multi-view learning
Semi-supervised classification
Multi-view hypergraph generation
Hypergraph dynamic system
Unified cross-view hypergraph
期刊
IF:
6.3
论文数:
8.3K
被引数:
3.0W
机构
引用论文
Revisiting multi-view learning: A perspective of implicitly heterogeneous Graph Convolutional Network.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Multi-view heterogeneous graph learning with compressed hypergraph neural networks基于压缩超图神经网络的多视图异构图学习NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏Interpretable Graph Convolutional Network for Multi-View Semi-Supervised Learning用于多视图半监督学习的可解释图卷积网络
PREAI
分享收藏Heterogeneous graph convolutional network for multi-view semi-supervised classification用于多视图半监督分类的异构图卷积网络NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏HHGNN: Hyperbolic Hypergraph Convolutional Neural Network based on variational autoencoderNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容