.png){kind=icon}
返回
Multi-scale signed graph convolutional network based on framelet
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107693.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
谱图卷积网络通过傅里叶变换应用频率滤波，已引起越来越多的关注，并在节点分类和链路预测等任务中取得了显著性能。尽管图小框架提供了对图信号的多分辨率分析，但大多数现有研究都集中在无符号（或无向）图上。在本文中，我们提出了一种基于小框架的高效GCN，用于有符号（包括有向）图，并利用磁有符号拉普拉斯矩阵。我们的模型构建了一个磁有符号图小框架系统，以挖掘信号中的低通和高通信息，并将其转换为多尺度表示，以用于各种任务。由于复值磁拉普拉斯的存在，整个架构在实数域和复数域中都执行基于小框架的卷积。为了减轻与拉普拉斯矩阵特征分解相关的计算复杂度，我们探索了切比雪夫多项式逼近来加速小框架变换。所提出的模型可以应用于复杂图数据，如有符号、有向和加权图。在四个真实数据集和五个链路预测任务上的广泛实验表明，所提出的Framelet-MSGCN优于当前最先进的算法。
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
暂无机构信息
引用论文
A Magnetic Framelet-Based Convolutional Neural Network for Directed Graphs.png)
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
OAAI
ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)IF0
OAAI分享收藏Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting时空图卷积网络: 用于交通预测的深度学习框架OAAI
OAAI分享收藏DeepInfProceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Cluster-GCNProceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏分享收藏
查看更多内容