【PaperReading】AGCN: Attention-driven Graph Clustering Network

最新推荐文章于 2025-05-16 20:48:19 发布
最新推荐文章于 2025-05-16 20:48:19 发布
阅读量903 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： PaperReading
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.youkuaiyun.com/ARPOSPF/article/details/127056058
AGCN是一种新型的深度聚类方法，通过结合注意力机制和图聚类网络，动态融合节点属性特征与图的拓扑特征。它包含AGCN-H和AGCN-S两个融合模块，分别实现异质性融合和多尺度融合，以提高聚类性能。实验证明，AGCN在多尺度信息利用和特征融合方面优于现有方法，尤其适用于低质量图数据的聚类。

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

Attention-driven Graph Clustering Network

AGCN: Attention-driven Graph Clustering Network

AGCN：注意力驱动的图聚类网络

论文作者：Zhihao Peng, Hui Liu, Yuheng Jia, Junhui Hou
论文来源：2021, ACM Multimedia
论文地址：https://dl.acm.org/doi/abs/10.1145/3474085.3475276
论文代码：https://github.com/ZhihaoPENG-CityU/MM21—AGCN

摘要

The combination of the traditional convolutional network (i.e., an auto-encoder) and the graph convolutional network has attracted much attention in clustering, in which the auto-encoder extracts the node attri

了解本专栏 订阅专栏 解锁全文 超级会员免费看
论文解读（AGCN）《 Attention-driven Graph Clustering Network》
「 虚幻私塾」
02-18 2738
Python微信订餐小程序课程视频 https://edu.youkuaiyun.com/course/detail/36074 Python实战量化交易理财系统 https://edu.youkuaiyun.com/course/detail/35475 Paper Information Title：《Attention-driven Graph Clustering Network》Authors：Zhihao Peng, Hui Liu, Yuheng Jia, Junhui HouSource：2021, ACM Mu
深度识别：论文阅读_2S-AGCN CVPR2019（基于骨架的动作识别的两流自适应图卷积网络）
zhe470719的博客
11-25 4538
这里写目录标题资料过去问题主要贡献自适应图卷积层自适应图卷积块自适应图卷积网络双流网络 资料 论文：论文 源码：代码 过去问题 图的拓扑是手动设置的，并且固定在所有图层和输入样本上 骨骼数据的二阶信息（骨骼的长度和方向）对于动作识别自然是更有益和更具区分性的，在现有方法中很少进行研究。 ST-GCN图形构建过程中三个缺点： 1.使用的骨架图是启发式预定义的，仅表示人体物理结构，对动作识别不是最佳。 例如读书和拍手，两只手的关系很重要，但是ST-GCN预定义的人体图中彼此距离很远，很难捕获两只手的关系；
论文阅读“Attention-driven Graph Clustering Network”（MM2021）
qq_43497436的博客
06-14 970
Attention-driven Graph Clustering Network 论文作者、链接 作者：Peng, Zhihao and Liu, Hui and Jia, Yuheng and Hou, Junhui链接：Attention-driven Graph Clustering Network | Proceedings of the 29th ACM International Conference on Multimedia代码：聚类——深度聚类，关键在于从潜在数据总学习错综复杂的模式
论文阅读04——《Attention-driven Graph Clustering Network》
小吴不会敲代码吧
05-10 256
原文地址：论文阅读04——《Attention-driven Graph Clustering Network》
Attention-drivenGraphClusteringNetwork
dtdtdtt的博客
05-25 272
1.写作思路：聚类的概念->深度学习融入聚类的意义->深度聚类的先决条件(数据表示) ->举例在聚类中数据表示的网络，以及那些网络的缺 陷->拓扑图特征学习的意义->加入图学习的模型->那些模型存在的缺点。2. 不同层对于输入信息的语义信息不同，在聚类任务中发挥着不同的作用，不能简单地认为他们的重要性是相同的，于是，使用AGCN-S利 用注意力机制来融合不同尺度的信息，基本步骤都是：先拼接、再进行线性变化捕捉不同层的关联、每一行进行softmax得到注意力权重、 权重*原始信息得到最终结果。
2S-AGCN
qq_45631885的博客
03-18 1398
双流自适应图卷积网络( 2s-AGCN ）学习笔记。
2S-AGCN介绍
qq_43547141的博客
12-04 7791
文章目录系列文章目录ST-GCN的缺陷二、使用步骤1.引入库2.读入数据总结 ** 2S-AGCN图的定义 2S-AGCN图卷积构造** 系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录ST-GCN的缺陷二、使用步骤1.引入库2.读入数据总结 #前言 # ST-GCN简介 传统深度学习方法将骨架数据表示为矢量序列或二维网格，
ACGAN网络
梦翼-的博客
07-28 1万+
什么是GAN网络？ GAN（Generative Adversarial Networks）的初衷就是生成不存在于真实世界的数据，类似于使得 AI具有创造力或者想象力。应用场景如下： AI作家，AI画家等需要创造力的AI体； 将模糊图变清晰(去雨，去雾，去抖动，去马赛克等)，这需要AI具有所谓的“想象力”，能脑补情节； 进行数据增强，根据已有数据生成更多新数据供以feed，可以减缓模型过拟...
【论文学习】2s-AGCN：Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition
LoveKKarlie_的博客
03-04 3314
Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition；CVPR2019；基于骨架的动作识别的两流自适应图卷积网络。2s-AGCN
【论文阅读】Towards multi-fusion graph neural network for single-cell RNA sequence clustering
最新发布
dundunmm的博客
05-16 1221
本文提出了一种新的单细胞RNA测序（scRNA-seq）聚类方法——单细胞多融合图神经网络（scMFGNN），以解决现有方法在处理scRNA-seq数据时的两个主要局限：一是未能充分考虑节点属性与拓扑信息在可靠性上的差异，二是缺乏融合多尺度判别信息的能力。scMFGNN通过引入多融合图神经网络（MFGNN）和零膨胀负二项分布（ZINB）模块，动态融合多尺度表示，并自适应地整合节点表示与拓扑结构信息，从而提升聚类性能。实验结果表明，scMFGNN在多个scRNA-seq数据集上优于现有主流方法，验证了其在处理
ASTGNN(Localised Adaptive Spatial-Temporal Graph Neural Network)
m0_55333280的博客
07-24 1755
《Localised Adaptive Spatial-Temporal Graph Neural Network》阅读笔记（不含实验）
2S-AGCN翻译
weixin_43889128的博客
12-15 2064
摘要 在基于骨架的动作识别中，将人体骨架建模为时空图的图形卷积网络（GCNs）取得了显著的性能。然而，在现有的基于GCN的方法中，图的拓扑结构是手工设置的，并且在所有层和输入样本上都是固定的。这可能不是最佳的分层GCN和不同样本的行动识别任务。另外，现有的方法很少研究骨骼数据的二阶信息（骨骼的长度和方向），这对动作识别更具信息性和区分性。在这项工作中，我们提出了一个新的双流自适应图卷积网络（2s-AGCN），用于基于骨骼的动作识别。模型中的拓扑结构可以通过BP算法以端到端的方式统一学习或单独学习。这种数据驱
图卷积网络进行骨骼识别代码_【骨骼行为识别】2s-AGCN论文理解
weixin_39593277的博客
12-20 1174
Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action Recognition论文链接：https://arxiv.org/abs/1805.07694​arxiv.org代码链接：lshiwjx/2s-AGCN​github.com跟AS-GCN相同，这篇论文也是对ST-GCN的改进，同样是2019年发...
基于骨骼的行为识别模型AGCN文献阅读笔记
Timmy的博客
10-02 809
论文指路：Skeleton-Based Action Recognition With Multi-Stream Adaptive Graph Convolutional Networks | IEEE Journals & Magazine | IEEE Xplore​ Official Code：GitHub - lshiwjx/2s-AGCN: Two-Stream Adaptive Graph Convolutional Networks for Skeleton-Based Action
ST-GCN、2s-AGCN：图卷积网络在骨骼动作识别中的应用（一）
weixin_73611281的博客
08-30 3785
ST-GCN和2s-AGCN是基于骨骼的动作识别框架，用于模拟人类骨骼数据中的空间和时间依赖性
PPSIG:AGCN-2S 动作识别
m0_63642362的博客
08-01 679
数据集为fsd-10花样滑冰，项目为ACGN-2S动作识别，可直接运行，acc为0.57
图神经网络入门（一）GCN图卷积网络
weixin_45519842的博客
04-26 998
本文是清华大学刘知远老师团队出版的图神经网络书籍《Introduction to Graph Neural Networks》的部分内容翻译和阅读笔记。个人翻译难免有缺陷敬请指出，如需转...
图机器学习基础知识——GCN
WindGrin_的博客
04-14 1193
图机器学习基础知识——GCN
深度学习：GCN（图卷积神经网络）理论学习总结
热门推荐
zhe470719的博客
10-26 2万+
目录来源作用原理解释核心图的概念学习新特征目标提出步骤图卷积分类特点常见问题参考 来源 解决：发现了很多CNN、RNN无法解决或者效果不好的问题——图结构的数据 具体： 对CNN： 核心在于kernel，kernel是一个个小窗口，在图片上平移，通过卷积的方式来提取特征。这里的关键在于图片结构上的平移不变性：一个小窗口无论移动到图片的哪一个位置，其内部的结构都是一模一样的，因此CNN可以实现参数共享 对RNN： 对象是自然语言这样的序列信息，是一个一维的结构，通过各种门的操作，使得序列前后的信息
AGCN注意力
03-31
### AGCN注意力机制概述 AGCN（Attention-driven Graph Clustering Network）是一种基于图卷积神经网络的深度聚类方法，其核心在于引入了注意力机制来增强节点属性特征和拓扑图特征的融合能力。具体来说，AGCN利用了一个名为 **异质性融合模块** 的组件，该模块能够动态调整并融合来自不同模态的信息[^3]。 #### 注意力机制的作用 在AGCN中，注意力机制的主要作用是对节点及其邻居的重要性进行加权分配。通过这种方式，模型可以更灵活地捕捉图结构中的复杂关系，并突出那些对当前任务更重要的部分。以下是注意力机制的关键特性： 1. **动态权重计算**: 注意力得分通过对节点特征以及边上的连接强度进行建模而得出。这些分数反映了某个特定节点与其邻域之间交互的重要程度。 2. **多尺度感知**: 借助于自适应学习策略，AGCN能够在多个尺度上评估局部区域内的关联度，从而提升整体表征的质量。 3. **联合优化过程**: 节点属性特征与拓扑图特征并非独立处理而是共同参与整个损失函数的设计当中，在反向传播过程中实现同步更新。 #### 技术细节分析 为了实现上述功能，AGCN采用了如下技术手段: - **软聚类约束(Soft Cluster Assignment)**: 这一步骤旨在将原始输入映射至潜在空间内形成紧凑簇群的同时保留足够的多样性以便后续分类操作得以顺利开展。 - **双重正则项(Dual Regularization Terms)**: 包括一致性惩罚项(Consistency Penalty Term) 和分布平滑项(Distribution Smoothing Term)，前者鼓励同一类别内部成员间保持高度相似；后者防止过拟合现象发生，确保最终得到的结果具备良好的泛化性能。 ```python import torch.nn as nn class HeteroFusionModule(nn.Module): def __init__(self, input_dim, hidden_dim): super(HeteroFusionModule, self).__init__() self.attention_layer = nn.Linear(input_dim * 2, hidden_dim) def forward(self, node_features, topo_features): combined_feature = torch.cat([node_features, topo_features], dim=-1) attention_score = torch.sigmoid(self.attention_layer(combined_feature)) fused_output = attention_score * node_features + (1 - attention_score) * topo_features return fused_output ``` 此代码片段展示了如何定义一个简单的异构融合模块以执行基本运算逻辑。 --- ###
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

打赏作者

镰刀韭菜

看在我不断努力的份上，支持我吧

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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