IJCAI 22 CL-UGRL Multi-view Unsupervised Graph Representation Learning

最新推荐文章于 2025-08-12 22:32:07 发布
最新推荐文章于 2025-08-12 22:32:07 发布
阅读量459 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： GNN-SSL learning GNN-graph 邻接矩阵结构学习 文章标签： 机器学习 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40926715/article/details/127417603
本文探讨了一种图神经网络的视图增强方法，包括特征矩阵和邻接矩阵的增强策略。特征矩阵通过掩码权重较小的元素进行增强，类似GCA的思想。而邻接矩阵则通过拉普拉斯映射和指数函数学习自适应图结构。损失函数采用了两视图对比的方式，与MERIT相似。尽管如此，文章缺乏与主流方法如MERITGCAGRACEGraphCL等的对比，引发了作者对IJCAI会议质量的质疑。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

talk

这篇文章没找到 代码， 核心就是 两种视图增强的方法，损失和MERIT的很像，MERIT就是 GCA的infonce损失，因此这篇文章 创新很一般。有SUGRL那篇的作者 所以看了看
在这里插入图片描述

特征矩阵 aug

通过P 和 m来进行掩码，m掩码P中权重较小的，和GCA思想很像，不重要的丢弃
在这里插入图片描述

邻接矩阵aug

通过这个类似 拉普拉斯映射的 方法， 学得一个 sij。 再通过一个P参数 relu 再指数，形成新的 sij。类似于 自适应 图结构学习的那套
在这里插入图片描述
损失 又是 两个视图 对比 。 同样一个视图内对比，和MERIT 一模一样
在这里插入图片描述
tmd 文章对比方法 都没有 MERIT GCA GRACE GraphCL 。。。。。IJCAI这么水吗
在这里插入图片描述

论文阅读《Learning Unsupervised Multi-View Stereopsis via Robust Photometric Consistency》
薛定谔的猫头咕咕咕
03-03 749
论文地址：Learning Unsupervised Multi-View Stereopsis via Robust Photometric Consistency 一、摘要   有监督的MVS方法在模型训练时依赖于数据的标签，但获取3D几何标签的过程是困难的；为此，本文利用多个视图之间的光度一致性作为模型的监督信号；由于遮挡和视图间的光照信息不同，只使用光照一致性不足以约束模型；为此，在损失函数中增加了梯度衡量项，提升模型的鲁棒性； 二、网络结构   模型结构与邮件的的MVSNet相似，MMM 张
Relational inductive biases, deep learning, and graph networks（关系归纳偏差、深度学习和图形网络）
weixin_41697507的博客
07-15 5189
Relational inductive biases, deep learning, and graph networks Peter W. Battaglia1, Jessica B. Hamrick1, Victor Bapst1, Alvaro Sanchez-Gonzalez1, Vinicius Zambaldi1, Mateusz Malinowski1, Andrea Tacche...
Multi-view Unsupervised Graph Representation Learning
小蚂蚁与大象
08-05 752
本文设计了一种新的多视图无监督图表示学习方法，包括自适应数据增强和多视图对比学习，以解决对比学习忽略特征空间信息的问题。具体而言，自适应数据增强首先从特征空间构建特征图，然后在原始表示和拓扑图上设计深度图学习模型来更新特征图和新表示。我们的自适应数据增强首先从特征空间生成特征图，然后设计一个深度图学习模型，在原始表示的基础上联合更新特征图和新的表示。与独立于对比学习的传统数据增强不同，本文将自适应数据增强和多视角对比学习嵌入到一个框架中，形成一个端到端的模型，共同进行数据增强和多视角对比学习。...
CL-MVSNet: Unsupervised Multi-view Stereo with Dual-level Contrastive Learning
人无远虑，必有近忧
08-05 1224
Abstract无监督多视图立体方法最近取得了可喜的进展。然而，以前的方法主要依赖于光度一致性假设，这可能会受到两个限制：低识别度的区域和依赖于视图的效果，例如低纹理区域和反射。为了解决这些问题，我们提出了一种新的双对比学习方法，称为 CL-MVSNet。具体来说，我们的模型将两个对比分支集成到无监督 MVS 框架中，以构建额外的监督信号。一方面，我们提出了图像级对比分支来引导模型获得更多的上下文感知，从而在不可区分的区域中实现更完整的深度估计。
TOP 100值得读的图神经网络----自监督学习与预训练
tagagi的博客
11-19 3456
清华大学的Top 100 GNN papers，其中分了十个方向，每个方向10篇。此篇为自监督学习与预训练​​​​​​​方向的阅读笔记。
Multi-view learning methods with code（多视角学习的代码集合）
libertyhhn的博客
05-05 5376
Multi-view learning methods with code Part A: general multi-view methods with code 1. NMF (non-negative matrix factorization) based methods NMF factorizes the non-negative data matrix into two non-negative matrices. 1.1 AAAI17 Multi-View Clustering via
Dynamic Label Graph Matching for Unsupervised Video Re-Identification
Joselynzhao
10-22 1772
Dynamic Label Graph Matching for Unsupervised Video Re-IdentificationAbstractIntroduction Abstract This pa-per focuses on cross-camera label estimation, which can be subsequently used in feature learn...
【多视图聚类】【MFLVC】Multi-level Feature Learning for Contrastive Multi-view Clustering
weixin_44184852的博客
10-08 1873
多视图聚类可以从多个视图中探索共同的语义，受到越来越多的关注。然而，现有的工作惩罚了同一特征空间中的多个目标，它们忽略了学习一致的公共语义和重建不一致的视图私有信息之间的冲突。在本文中，我们提出了一种新的多级特征学习框架，用于对比多视图聚类来解决上述问题。我们的方法以无融合的方式从原始特征中学习不同层次的特征，包括低级特征、高级特征和语义标签/特征，从而可以有效地实现不同特征空间中的重建目标和一致性目标。具体地，重建目标是在低级特征上进行的。基于对比学习的两个一致性目标分别在高级特征和语义标签上进行。
CCF A类会议或期刊----近两年表示学习相关论文
Thincor的博客
03-20 3362
会议/期刊 论文 sigmod2021 Imminence Monitoring of Critical Events: A Representation Learning Approach. neurips2020 Ultrahyperbolic Representation Learning. neurips2020 Unsupervised Representation Learning by Invariance Propagation. neurips2020 Self....
IJCAI-23 | 多尺度子图对比学习
2301_79604494的博客
09-06 645
图对比学习旨在通过对比增广视图来学习图的表示，引起了相当多的关注。以前的研究在理论上简单地假设图及其增广视图为正对，其它的为负对。然而，图结构是复杂的，这引起了一个疑问：这一假设在现实中是否仍然成立？
知识蒸馏paper分类整理(2014-2020)
KernelF
04-02 5268
Awesome Knowledge-Distillation 知识蒸馏paper分类整理 Awesome Knowledge-Distillation Different form of knowledge Knowledge from logits Knowledge from intermediate layers Mutual Information Self-KD Structur...
A Comprehensive Survey on Graph Neural Networks(图神经网络综合研究)
weixin_41697507的博客
07-06 7702
A Comprehensive Survey on Graph Neural Networks Zonghan Wu, Shirui Pan, Member, IEEE, Fengwen Chen, Guodong Long, Chengqi Zhang, Senior Member, IEEE, Philip S. Yu, Fellow, IEEE Abstract—Deep learning ...
机器学习-逻辑回归(Logistic Regression)
iamfromhuoxing的博客
08-08 485
ggg代表一个常用的逻辑函数（logistic function）为SSS形函数（Sigmoid function），公式为：gz11e−zgz1e−z1​hx11e−wTxhx1e−wTx1​。
机器学习——DBSCAN
2501_91237346的博客
08-10 1115
本文介绍了DBSCAN密度聚类算法的原理、参数调优及实现过程。DBSCAN通过定义核心对象、E邻域和密度可达等概念，能够发现任意形状的聚类并识别噪声点。文中详细说明了Python中sklearn.cluster.DBSCAN的参数设置，包括eps邻域半径、min_samples最小样本数等关键参数的影响。同时提供了完整的代码实现，包括数据预处理、DBSCAN模型训练、轮廓系数评估等步骤，并对比了KMeans与DBSCAN在真实数据集上的表现。最后通过标签对齐方法解决了聚类标签与真实标签的映射问题，采用分类指
自适应反步控制：理论与设计
courage_sir的博客
08-08 558
本文提出了一种自适应反步控制方法，用于处理具有未知参数的二阶非线性系统。该方法通过设计虚拟控制律和参数更新率，确保闭环系统稳定性和状态跟踪性能。首先定义跟踪误差并构建Lyapunov函数，推导出虚拟控制律和参数估计更新律；接着设计实际控制输入消除未知参数影响，并证明系统全局渐近稳定性。理论分析表明，该方法能有效处理参数不确定性，实现期望轨迹的渐进跟踪，同时保证所有状态有界。
机器学习TF-IDF算法详解
2201_75607087的博客
08-11 870
TF-IDF是一种统计方法，用于评估一个词在文档集合（语料库）中某个文档里的重要程度。词频 (Term Frequency, TF)：一个词在文档中出现的次数越多，它对这个文档的重要性可能就越高。逆文档频率 (Inverse Document Frequency, IDF)：一个词在所有文档中出现的文档数越少（即越稀有），它区分文档的能力就越强，重要性就越高。简单来说，TF-IDF值高的词，是那些在当前文档中频繁出现，但在整个语料库的其他文档中很少出现的词。这些词往往最能代表该文档的独特主题。
机器学习——08 特征降维
念头通达
08-09 1019
特征降维、低方差过滤法、主成分分析、PAC相关系数法
python学智能算法（三十六）|SVM-拉格朗日函数求解（中）-软边界
专注python+工程实践的热心婶子
08-09 1238
本文详细推导了软间隔SVM的拉格朗日方程求解过程。首先建立包含松弛变量ξ的拉格朗日函数，然后通过分别对w、b和ξ_i求偏导，得到关键表达式：w可由样本线性表示、α与y的加权和为零、以及α_i的取值范围0≤α_i≤C。将这些结果代入原方程后，最终简化为仅含α_i的优化问题。整个推导过程清晰地展示了软间隔SVM的数学基础，为后续求解奠定了基础。
机器学习-决策树（上）
最新发布
m0_67703435的博客
08-12 730
决策树的结构与python中的二叉树结构()相似，不过决策树中除了叶节点之外的其他节点，都被称之为，构建决策树的过程，也就是选取每一个节点采用哪一个特征作为划分依据的过程。以解决二元分类问题为例，最终的叶节点输出只有两种情况：0或1，那么在前面的每一个决策节点时我们自然希望每一个节点分支得到的样本尽可能属于，也就是说得到的示例样本纯度最高。因此，我们引入“熵”的概念，熵用于衡量，其表达式如下：其中：——所有样本中正例的占比；——所有样本中负例的占比。
Ijcai-2018: 顶尖解决方案中的Graft Learning技术解析
标题：“ijcai-2018:ijcai-2018 top1解决方案”所指的知识点非常丰富。首先，ijcai全称为International Joint Conference on Artificial Intelligence，即国际人工智能联合会议，是一个历史悠久且极具影响力的国际性...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值