.png){kind=icon}
返回
Scalable Hypergraph Structure Learning With Diverse Smoothness Priors
.png){kind=icon}
PRE
AI
DOI：10.1109/TSIPN.2025.3599780.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在图信号处理中，当底层关系未知时，从信号中学习节点间的加权连接是一个基本任务。随着图扩展到超图（其中边可以连接超过两个节点），图学习方法也相应地被推广到超图。然而，缺乏统一的总变分计算框架导致了平滑性的不同定义，并进而导致超边恢复方法存在差异。本研究通过推广先前提出的几种超图总变分，解决了这一挑战，使得易于替换到基于向量的优化中。为此，提出了一种新型超图学习方法，该方法利用基于平滑性先验的凸优化，从时间序列信号中恢复超图拓扑。该方法命名为基于平滑性的超图结构学习（HSLS），解决了先前工作中的关键局限性，如超边选择和收敛问题。此外，引入了一种过程，该过程限制了超边搜索的范围并维持有效的超边选择集，从而创建了一个可扩展的模型。实验结果表明，该方法在性能上优于现有的超图推断方法。经验上证明，该方法对总变分项具有鲁棒性，倾向于全局平滑性，并且能够扩展到更大的超图。
Keyword:
Graph convolutional networks
graph theory
hyperspectral imaging
inference algorithms
network topology
optimization models
signal processing algorithms
signal processing
smoothing methods
total variance
期刊
IF:
4.9
论文数:
728
被引数:
1.9K
机构
引用论文
.png){kind=icon}
A hyperspectral image spectral unmixing method integrating slic superpixel segmentation一种集成Slic超像素分割的高光谱图像光谱解混方法
PREAI
分享收藏
分享收藏
查看更多内容