.png){kind=icon}
返回
Multi-scale graph diffusion convolutional network for multi-view learning
.png){kind=icon}
OA
AI
DOI：10.1007/s10462-025-11158-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视角学习因其能够学习更全面的表征而引起了广泛关注。尽管图卷积网络在多视角研究中取得了令人鼓舞的结果，但它们仅考虑最近邻的限制导致获取高阶信息的能力下降。许多现有方法通过在模型上堆叠多层来获取高阶相关性，但这可能导致过平滑问题。在本文中，我们提出了一种称为多尺度图扩散卷积网络的框架，旨在在不堆叠多个卷积层的情况下收集全面的高阶信息。具体来说，为了更好地扩展节点的感受野并降低参数复杂度，所提出的框架利用收缩映射将多视图的特征转换为解耦传播规则。我们的框架引入了一种基于多尺度图的扩散机制，以自适应地提取嵌入在多尺度图中的丰富高阶知识。实验表明，所提出的方法在多视角半监督分类方面优于其他最先进的方法。
Keyword:
Graph diffusion
Multi-scale fusion
Graph convolutional network
Multi-view learning
Semi-supervised classification.
期刊
IF:
13.9
论文数:
6.1K
被引数:
1.9W
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Interpolation consistency training for semi-supervised learning半监督学习的插值一致性训练NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏
查看更多内容