グラフクラスタリングは、ネットワーク内のグループまたはコミュニティを検出します。オートエンコーダー(AE)などの深層学習手法は、効果的なクラスタリングとダウンストリーム表現を抽出しますが、豊富な構造情報を組み込むことはできません。グラフニューラルネットワーク(GNN)はグラフ構造のエンコードで大きな成功を収めていますが、畳み込みまたは注意の変形に基づく一般的なGNNは、過度の平滑化、ノイズ、異形性に悩まされ、計算コストが高く、通常、完全グラフが存在する必要があります。代わりに、自己監視型対照グラフクラスタリング(SCGC)を提案します。これは、対照的な損失信号を介してグラフ構造を課し、識別ノード表現と反復的に洗練されたソフトクラスターラベルを学習します。また、より効果的で斬新な、より豊富な構造情報を融合するための影響増強対照(IAC)損失と、元のモデルパラメーターの半分を備えたSCGC*を
Joint Graph Learning and Matching for Semantic Feature Correspondence 近年、グラフニューラルネットワーク(GNN)モデルを介して学習された識別表現を利用して、深いグラフマッチング方法は、セマンティック機能のマッチングのタスクで大きな進歩を遂げました。ただし、これらの方法は通常、ヒューリスティックに生成されたグラフパターンに依存しているため、信頼性の低い関係が導入され、マッチングのパフォーマンスが低下する可能性があります。この論文では、グラフマッチングを強化するための信頼できるグラフ構造を探索するために、GLAMという名前の共同グラフ学習およびマッチングネットワークを提案します。 GLAMは、グラフ学習とグラフマッチングの両方に純粋な注意ベースのフレームワークを採用しています。具体的には、タスクに対して自己注意と相互注意の
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く