题名 基于超图卷积和多角度拓扑细化的骨骼行为识别方法
1
作者
黄倩 苏新凯 李畅 巫义锐
机构
河海大学计算机与软件学院
出处
《计算机科学》
北大核心
2025年第5期220-226,共7页
文摘
由于人体骨架是一个天然存在的拓扑结构,因此图卷积网络(GCNs)被广泛地应用于基于骨骼的人体行为识别。然而,目前的基于GCN的方法只关注关节点对之间的低阶关系,而忽略了潜在的关节点在关节点群中的高阶关系。同时,现有的方法忽略了空间拓扑随时间的动态变化。这些不足影响了模型的表现。为此,利用K-NN计算出相关性高的关节点构成超边,提出了超图构建方法和超边图卷积来动态地学习关节点间的高阶关系。此外,设计了一个从时间和通道角度细化的拓扑图来学习帧级的和通道级的关节点对之间的相关性。最后,开发了一个多角度拓扑细化的超图卷积网络(HyperMTR-GCN)用于骨骼行为识别,其在NTU RGB+D和NTU RGB+D 120数据集上具有显著优势。具体地,所提方法在NTU RGB+D的X-sub基准上比2s-AGCN提高了3.7%,在NTU RGB+D 120的X-sub基准上比2s-AGCN提高了5.7%。
关键词
行为识别 图卷积网络 超图神经网络 骨架建模 拓扑细化
Keywords
Action recognition Graph convolutional network hypergraph neural network Skeleton modeling Topology refinement
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
题名 基于有向超图自适应卷积的链接预测模型
2
作者
赵文博 马紫彤 杨哲
机构
苏州大学计算机科学与技术学院 江苏省计算机信息处理技术重点实验室(苏州大学)
出处
《计算机应用》
北大核心
2025年第1期15-23,共9页
基金
国家自然科学基金资助项目(62272332) 教育部产学合作协同育人项目(220606363154256)。
文摘
图神经网络(GNN)为链接预测提供了多样化的解决方案,但由于普通图的结构限制,目前的相关模型在充分利用顶点间的高阶及不对称信息方面存在明显的不足。针对以上问题,提出一种基于有向超图自适应卷积的链接预测模型。首先,使用有向超图结构更充分地表示顶点间的高阶和方向信息,兼具超图和有向图的优势;其次,有向超图自适应卷积采用自适应信息传播方式替代传统有向超图中的定向信息传播方式,从而解决了有向超边尾部顶点不能有效更新嵌入的问题,同时解决多层卷积导致的顶点过度平滑问题。在Citeseer数据集上基于显式顶点特征的实验结果显示,在链接预测任务上,相较于有向超图神经网络(DHNN)模型,所提模型的ROC(Receiver Operating Characteristic)曲线下面积(AUC)指标提升了2.23个百分点,平均精度(AP)提升了1.31个百分点。因此,所提模型可以充分表达顶点间的关系,并有效提高链接预测任务的性能。
关键词
图神经网络 有向超图 链接预测 超图卷积 表示学习 自适应卷积
Keywords
Graph neural network (GNN) directed hypergraph link prediction hypergraph convolutionrepresentation learning adaptive convolution
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
题名 基于多层超图卷积神经网络的故障诊断方法
3
作者
张元东 张先杰 张若楠 张海峰
机构
中国大唐集团科学技术研究总院有限公司华东电力试验研究院 安徽大学数学科学学院
出处
《复杂系统与复杂性科学》
北大核心
2025年第1期131-137,共7页
基金
国家自然科学基金(61973001)。
文摘
机器学习方法在复杂工业过程中的故障诊断方面获得了很大的发展。然而,现有的大多数方法只考虑独立样本的特征,或者样本之间的二元关系,很少考虑样本之间的高阶关系以及结构多样性。因此提出一种基于多层超图卷积神经网络的故障诊断方法,该方法首先利用多种相似性指标构建出具有不同结构的多层超图,然后通过层内超图卷积以及层间图卷积的操作进行特征的提取与融合。在SEU的仿真数据集以及磨煤机组的真实数据集中进行实验,结果表明该方法可以有效地提高故障诊断的精度。
关键词
超图神经网络(HGNN) 图卷积网络(GCN) 多层超图 故障诊断
Keywords
hypergraph neural network (HGNN)graph convolutional network (GCN) multilayer hypergraph fault diagnosis
分类号
TP391.5
[自动化与计算机技术—计算机应用技术]
TH133.3
[机械工程—机械制造及自动化]
题名 结合GAT与卷积神经网络的知识超图链接预测
4
作者
庞俊 马志芬 林晓丽 王蒙湘
机构
武汉科技大学计算机科学与技术学院 智能信息处理与实时工业系统湖北省重点实验室 中国标准化研究院
出处
《计算机工程与应用》
北大核心
2025年第9期194-201,共8页
基金
新一代人工智能国家科技重大专项(2020AAA0108503) 国家自然科学基金(62372342) 武汉科技大学“十四五”湖北省优势特色学科(群)项目(2023D0301)。
文摘
知识超图(knowledge hypergraph,KHG)是一种超图结构的知识图谱。知识超图链接预测是基于已知的实体和关系来预测缺失的实体或关系,具有重要的意义和价值。然而,现有基于神经网络的知识超图链接预测方法,只关注关系事实局部的语义特征,缺乏对关系事实之间关联特征的表示学习。针对以上问题,提出了一种基于图注意力网络与卷积神经网络的链接预测方法(knowledge prediction based on GAT and convolutional neural network,HPGC)。一方面,采用改进的卷积网络(convolutional neural network,CNN)提取知识超图中节点实体表示的局部特征;另一方面,使用改进的GAT对节点和关系进行注意力建模,捕获节点之间的全局特征关系,并将两者进行融合,从而获取关系事实更全面的邻域结构,丰富超图关系事实的语义表示。此外,针对HPGC的GAT层输出矢量问题,引入多层感知机(multilayer perceptron,MLP)和正则化技术,提高模型训练的泛化能力。真实数据集上的大量实验结果验证了所提出方法的预测性能均优于基线方法。
关键词
知识超图 链接预测 卷积神经网络 注意力机制
Keywords
knowledge hypergraph link prediction convolutional neural network attention mechanism
分类号
TP311.13
[自动化与计算机技术—计算机软件与理论]
题名 面向知识场景的图片类教育资源知识点自动标注算法
被引量：1
5
作者
王静 杜旭 李浩 胡壮
机构
重庆邮电大学自动化学院 华中师范大学人工智能教育学部
出处
《计算机工程与应用》
CSCD
北大核心
2024年第24期119-130,共12页
基金
国家自然科学基金(62177020,62407009) 重庆市教委青年项目(KJQN202400642)。
文摘
针对图片资源的视觉特征与高级知识语义不一致的挑战,提出一种新的知识点自动标注算法,称为基于知识场景的情境超图卷积网络(SHGCN),以便高效组织管理教育领域中的图片数据,促进知识理解与有效利用,实现教育智能化。该算法在提取图片资源显性视觉特征的同时,又挖掘了隐含在细粒度区域的隐性知识信息。利用Faster R-CNN和OCR技术来识别知识对象和坐标文本等知识实体,这些知识实体特征融合后作为该图片的知识向量;提出双筛选机制来生成不同类型的知识场景,并将知识场景作为超边来构建情境超图,建模蕴含相似情境信息的图片间高阶知识相关性。利用超图卷积实现知识相似图片的情境信息聚合,实现“视觉-语义”到“视觉-语义-知识”的转化。还构建了一个物理学科的图片数据集来训练和验证SHGCN。实验结果表明,SHGCN在提取图片显性视觉信息的基础上,进一步挖掘隐性知识信息,其性能优于基线方法。
关键词
知识点标注 超图卷积网络 知识场景 情境超图
Keywords
knowledge point annotation hypergraph convolutional neural network knowledge scenarios situational hypergraph
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
题名 融合残差网络的自监督社交推荐算法
被引量：1
6
作者
王玉洁 杨哲
机构
苏州大学计算机科学与技术学院 江苏省计算机信息处理技术重点实验室 江苏省大数据智能工程实验室
出处
《计算机科学与探索》
CSCD
北大核心
2024年第12期3175-3188,共14页
基金
国家自然科学基金(62272332) 产学合作协同育人项目(220606363154256)。
文摘
基于图神经网络的社交推荐算法,通过社交图和交互图的信息来学习用户和项目的嵌入,得到最终的推荐结果。但是现有算法主要利用静态的社交图结构,无法挖掘用户之间潜在的链接关系,同时也没有解决用户与项目交互行为中的噪声问题。提出了一种融合残差网络的自监督社交推荐算法。采用变分超图自编码器对社交网络进行链接预测,得到重构的社交图,以此来挖掘隐藏在用户间的积极链接关系;利用注意力机制为原始社交图和重构后的残差社交图分配不同的注意力系数,得到更加精确的用户表征;为了缓解数据中的噪声问题,构建了自适应的超图全局关系提取器,在该提取器的协作下利用局部嵌入信息和全局嵌入信息创建自监督信号,从而优化局部的嵌入表示,进而缓解噪声影响。该算法在Ciao、Epinions和Yelp三个数据集上与NGCF、LightGCN、MHCN等基线模型进行对比实验。在Ciao数据集上,Recall@10提升了17.1%~48.5%,NDCG@10提升了1.4%~37.9%;在Epinions数据集上,Recall@10提升了8.3%~56.2%,NDCG@10提升了3.7%~29.8%;在Yelp数据集上,Recall@10提升了9.1%~53.3%,NDCG@10提升了11.2%~66.6%。实验结果表明,该算法相较于基准模型有良好的推荐性能。
关键词
社交网络 推荐系统 图卷积神经网络 超图 自监督学习
Keywords
social network recommendation system graph convolutional neural network hypergraph self-supervised learning
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 融合全局信息的多图神经网络会话推荐
被引量：1
7
作者
黄涛 徐贤
机构
华东理工大学计算机科学与工程系
出处
《小型微型计算机系统》
CSCD
北大核心
2024年第4期769-776,共8页
基金
国家自然科学基金项目(61872142,62072299)资助 上海市高可信计算重点实验室开放课题项目(OP202205)资助.
文摘
基于会话的推荐旨在根据当前会话预测下一个最可能交互的物品.由于单个会话点击序列较短,仅使用会话本身的信息很难提供准确的推荐.因此,综合考虑其它会话之间的交互信息已成为一种趋势,为了提高推荐性能,本文提出一种融合全局信息的多图神经网络会话推荐模型(GIMGNN)来增强会话推荐的效果.该模型首先通过超图卷积神经网络和门控图神经网络从全局会话超图和局部会话图中学习两个级别的物品表示,然后通过注意力机制将反向位置信息融合到两种表示中,最后利用融合后的表示完成预测.在两个真实数据集Yoochoose和Diginetica上进行了一系列实验,实验结果表明,对比性能最优的基准模型,GIMGNN模型在Yoochoose上P@20和MRR@20至少提升了2.42%和4.01%,在Diginetica上P@20和MRR@20至少提升了6.56%和9.11%,验证了模型的有效性.
关键词
会话推荐 超图卷积神经网络 门控图神经网络 注意力机制 位置信息
Keywords
session-based recommendation hypergraph convolutional neural network gate graph neural network attention mechanism position information
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于时序超图卷积神经网络的股票趋势预测方法
被引量：11
8
作者
李晓杰 崔超然 宋广乐 苏雅茜 吴天泽 张春云
机构
山东财经大学计算机科学与技术学院 山东省人工智能学会 齐鲁工业大学(山东省科学院)计算机科学与技术学院
出处
《计算机应用》
CSCD
北大核心
2022年第3期797-803,共7页
基金
国家自然科学基金资助项目(62077033) 国家重点研发计划项目(2018YFC0830100,2018YFC0830102) +1 种基金 山东省自然科学基金重点项目(ZR2020KF015) 山东省高等学校优势学科人才团队培育计划项目。
文摘
传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票。针对该问题,提出一种基于时序超图卷积神经网络(HGCN)的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件:门控循环单元(GRU)网络和超图卷积神经网络。GRU网络对历史数据进行时间序列建模,捕捉长期依赖关系;HGCN建模股票间的高阶关系以学习内在关系属性,从而将股票间多元关系信息引入到传统的时序建模中,进行端到端的趋势预测。在中国A股市场真实数据集上的实验结果表明,相较于已有的股票预测方法,所提模型预测性能有所提升;如与GRU网络相比,所提模型在ACC和F1_score上的相对增幅分别为9.74%和8.13%,且更具有稳定性。此外,模拟回测结果显示,基于该模型的交易策略更具获利能力,年回报率达到11.30%,与长短期记忆(LSTM)网络相比提高了5个百分点。
关键词
股票趋势预测 时间序列建模 门控循环单元 高阶关系 超图卷积神经网络
Keywords
stock trend prediction time series modeling Gated Recurrent Unit(GRU) high-order relation hypergraph convolutional neural network (hgcn )
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
题名 自注意力超图池化网络
被引量：3
9
作者
赵英伏 金福生 李荣华 秦宏超 崔鹏 王国仁
机构
北京理工大学计算机学院
出处
《软件学报》
EI
CSCD
北大核心
2023年第10期4463-4476,共14页
基金
国家重点研发计划(2020AAA0108503) 国家自然科学基金(62272045)。
文摘
近年来,将卷积神经网络推广到图数据上的图卷积神经网络引起了广泛关注,主要包括重新定义图的卷积和池化操作.由于图数据只能表达二元关系的局限性,使其在实际应用中表现欠佳.相比之下,超图能够捕获数据的高阶相关性,利用其灵活的超边易于处理复杂的数据表示.然而,现有的超图卷积神经网络还不够成熟,目前尚无有效的超图池化操作.因此,提出了带有自注意机制的超图池化网络,使用超图结构建模,通过引入自注意力的超图卷积操作学习带有高阶数据信息的节点隐藏层特征,再经过超图池化操作选择并保留在结构和内容上的重要节点,进而得到更准确的超图表示.在文本分类、菜肴分类和蛋白质分类任务上的实验结果表明:与目前多种主流方法相比,该方法均取得了更好的效果.
关键词
超图 卷积神经网络 池化 图神经网络 超图神经网络
Keywords
hypergraph convolutional neural network pooling graph neural network hypergraph neural network
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
题名 兼顾个性特征和融合特征的阿尔茨海默病分类
10
作者
曹营利 邓赵红 胡曙东 王士同
机构
江南大学人工智能与计算机学院 江南大学附属医院
出处
《计算机科学与探索》
CSCD
北大核心
2023年第7期1658-1668,共11页
基金
江苏省杰出青年基金项目(BK20140001) 国家自然科学基金面上项目(61772239)。
文摘
智能诊断在阿尔茨海默病(AD)的诊断中已得到广泛研究,但已有的智能建模方法还不能充分利用多模态的数据信息,以至于在病程早期阶段的诊断中出现识别精确度不高的问题。为提高阿尔茨海默病及其早期阶段智能诊断的效果,提出一种兼顾个性特征和融合特征的阿尔茨海默病分类方法。首先使用超图卷积网络(HGCN)对MRI、PET和CSF三个模态的数据分别进行特征提取,以获得每个模态的高阶深度特征。同时通过低秩多模态融合对这三个模态的数据进行特征融合,以获得多个模态之间的隐藏关联特征。最后通过一个多视角分类器对以上获取的特征进行综合分类。利用ADNI数据集对阿尔茨海默病进行多组任务分类,以验证所提方法。与其他先进方法相比,该方法在保证AD阶段分类效果的情况下,有效提高了病程早期阶段的分类精度。
关键词
多模态 超图卷积网络(hgcn ) 低秩多模态融合 多视角分类 阿尔茨海默病(AD)
Keywords
multi-modal hypergraph convolutional network (hgcn )low-rank multimodal fusion multi-view classification Alzheimer's disease(AD)
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
