【摘 要】
:
近年来,随着数据量的积累,计算机算力和储存能力的提高,深度学习得到了快速的发展,引起众多研究者的关注。在深度学习中,卷积神经网络(Convolutional Neural Networks,CNN)发挥着举足轻重的作用,CNN的成功的原因主要是能够利用卷积和池化进行高层次的特征提取。然而,CNN一般对常规的具有欧式结构的数据进行处理。受到CNN的思想的启发,加上图表示学习能力的提高。图卷积神经网络
论文部分内容阅读
近年来,随着数据量的积累,计算机算力和储存能力的提高,深度学习得到了快速的发展,引起众多研究者的关注。在深度学习中,卷积神经网络(Convolutional Neural Networks,CNN)发挥着举足轻重的作用,CNN的成功的原因主要是能够利用卷积和池化进行高层次的特征提取。然而,CNN一般对常规的具有欧式结构的数据进行处理。受到CNN的思想的启发,加上图表示学习能力的提高。图卷积神经网络(Graph Neural Networks,GCN)出现在深度学习领域中,但是GCN以及GNN的其他模型在进行任务时取得的精度并不是很高,具有很大的提升空间;并且大多数模型做到2至6层,继续加深,模型的精度就会降低。为解决这个问题,这就启发我们寻找一些方法来加深网络的深度,并能把模型的精度提上去。这也是当下很多学者关注的一个问题。本文的研究工作主要有三个部分,第一部分主要是对GCN不行加深的原因进行讨论,从过平滑,过拟合,梯度消失,模型耦合等几个方面进行分析,实验分析表明:GCN聚合信息的方式使得图局部信息的丢失,这是GCN不能加深的重要原因。第二部分引入解决方法,一个是选用合适的归一化方法;另外一个是提出合适的衡量节点重要性的指标,体现出节点的差异性。第三部分,将空域和频域的GCN进行结合,同时关注图的局部信息和整体信息,并在Cora,Pubmed和Citeseer三个数据集上进行实验,然后对比实验结果,发现新的网络无论在精度还是深度上都取得了突破。
其他文献
在微分几何的研究中,特征映射是能量密度为常数的调和映射,特征映射常与调和映射、极小子流形以及拓扑学中映射同伦类的调和代表元相关。球面间λ2特征映射的问题是研究流形之间调和映射关系的一个有趣的课题,由于球面间的λ2特征映射的每个分量都是二阶齐次调和多项式在球面上的限制,这使得在研究球面间λ2特征映射的问题时可以借助二次映射及其与拓扑相关的方法来进行。在低维球面上球面间λ2特征映射还有许多亟待解决的问
近年来,以卷积为核心的深度卷积网络主导了深度学习在计算机视觉领域的发展,但随着近几年数据集与计算能力的不断发展,以注意力机制为核心的transformer网络在计算机视觉任务上的能力逐渐超过了传统的深度卷积网络。Transformer最早应用于语言任务,它完全抛弃了传统深度网络的卷积结构,仅采用注意力处理信息,但依然取得了非常好的效果。然而人们普遍认为其不适应于视觉任务,因为卷积在直觉上相比于注意
耦合效果是级联系统产生的连锁反应,又称为联动效应,耦合发生在生活的各方面,从社会关系到神经学领域到工业领域等,都有利弊产生。耦合系统因为自身的复杂性、多样性、时变性,使得系统比未进行耦合的系统更加的繁琐与复杂,但是解决这样的耦合系统对现实极具实际意义。耦合系统是形形色色的,可以研究热方程子系统与波方程子系统,也可以研究热方程子系统与板方程子系统等,而常微分方程与热方程的耦合却是长久以来持续具有热度
本论文主要研究零电势规范(Zero-Electric potential gauge)下的金兹堡-朗道(Ginzburg-Landau)方程组的算子分裂方法。首先,通过引入磁场强度σ为一个新的变量,原来的Ginzburg-Landau方程组可以转化为一个新的方程系统。该新方程系统包含两个抛物型偏微分方程。并且关于磁势A的方程被大大简化,其形式近似于一个常微分方程。基于新的Ginzburg-Land
随机偏微分方程(Stochastic partial differential equation,简称SPDE)是一类用于模拟受到随机过程作用的时空间复杂动力系统的数学工具,其主要通过随机参变量等形式作为输入项对系统产生影响。相比于确定性偏微分方程,SPDE能更好地刻画复杂系统,例如热力学、大气物理学、地质学等领域的动力学特征,因此在实际中具有更广泛的应用空间。但随着随机参数的维数增加,上述模型中
本文致力于研究在非交换多参数Dunford-Schwartz系统下沿子序列版本的Wiener-Wintner型遍历定理.我们建立了一个结构来证明沿多参数子序列类Δ的Wiener-Wintner型收敛,而非权值类情形.其中,(?)∈Δ的每一项都是我们考虑的三种非零密度子序列之一.作为关键方法,我们给出了多参数子序列均值的极大遍历不等式,并获得了沿子序列版本的非交换Banach原理.从而,我们结合非交
随机延迟微分方程应用于众多领域,是学者们的重点研究课题。然而,关于无界随机延迟微分方程,尤其是随机Pantograph微分方程(SPDE)的研究相对甚少。截断EM方法不仅克服了经典显式方法数值解易发散的缺点,还保留了其数值结构清晰、计算高效的优点。基于此,本文将讨论非线性SPDE在截断EM方法下的数值解的收敛性。本文充分应用It(?)引理及不等式性质,在SPDE的漂移项与扩散项系数满足局部Lips
目的:探讨医护一体化模式应用于口腔癌患者的效果。方法:选取2021年1月至2022年8月我院80例口腔癌患者作为研究对象,随机分入研究组(n=40)和对照组(n=40)。对照组患者采用常规护理模式,研究组患者采用医护一体化模式。比较两组心理韧性、住院情况以及术后并发症情况。结果:干预后两组心理韧性量表评分均高于干预前,且研究组高于对照组;研究组术后并发症发生率(5.00%)低于对照组(20.00%
本文主要研究调和分析在高阶Helmholtz方程的Lp-L2估计中的应用,首先讨论了著名的限制性定理的发展以及其在色散方程中的应用,并对经典的Helmholtz方程解的L2估计进行了回顾,运用插值定理、振荡积分、分数次积分等主要技术手段,研究了 Helmholtz方程的色散估计,将二阶情形推广到更一般的高阶情形,最后,给出了高阶情形下Helmholtz方程解的L2估计的证明和结果。本篇硕士论文主要
基于Hausdorff测度,Hausdorff维数可以定义在任何集合上,然而在许多情况下精确地确定一个集合的Hausdorff维数是比较困难的。但是根据Hausdorff维数的定义,如果存在一个集类,仅用该集类中的元素覆盖一个给定集合就能确定给定集合的维数的话,这将简化Hausdorff维数的解决,于是引入覆盖集族可信的概念。设Φ是由区间[0,1)的一些子集构成的集族,集合E(?)[0,1)关于给