文字多模态大模型 | 浏览量 : 0 下载量: 214 CSCD: 0

  • 导出

  • 分享

  • 收藏

  • 专辑

    • 图增强与多重神经网络优化的多维图对比学习

    • Multidimensional graph contrastive learning based on graph enhancement and multi-neural networks

    • “在无监督图表示学习领域，研究人员提出了LAST-MGCL模型，通过局部—全局图增强技术和多重神经网络协同建模，有效提升了节点表示质量，为无监督图表征学习提供了有效解决方案。”
    • 2025年30卷第9期 页码：3097-3110   

      收稿：2024-11-07，

      修回：2025-04-08，

      录用：2025-04-09，

      纸质出版：2025-09-16

    • DOI： 10.11834/jig.240612     

    移动端阅览

  • 姜旭初， 张晓雯. 2025. 图增强与多重神经网络优化的多维图对比学习. 中国图象图形学报， 30(9):3097-3110 DOI： 10.11834/jig.240612.
    Jiang Xuchu， Zhang Xiaowen. 2025. Multidimensional graph contrastive learning based on graph enhancement and multi-neural networks. Journal of Image and Graphics， 30(9):3097-3110 DOI： 10.11834/jig.240612.
  •  
  •  
文章被引用时，请邮件提醒。
提交

相关文章

相关作者

耿伟峰 北京交通大学交通数据分析与挖掘北京市重点实验室;北京交通大学计算机与信息技术学院
王翔 北京交通大学交通数据分析与挖掘北京市重点实验室;北京交通大学计算机与信息技术学院
景丽萍 北京交通大学交通数据分析与挖掘北京市重点实验室;北京交通大学计算机与信息技术学院
于剑 北京交通大学交通数据分析与挖掘北京市重点实验室;北京交通大学计算机与信息技术学院
唐朝生 河南理工大学计算机科学与技术学院;苏州大学江苏省计算机信息处理技术重点实验室
胡超超 河南理工大学计算机科学与技术学院
孙君顶 河南理工大学计算机科学与技术学院
司马海峰 河南理工大学计算机科学与技术学院

相关机构

北京交通大学交通数据分析与挖掘北京市重点实验室
北京交通大学计算机与信息技术学院
河南理工大学计算机科学与技术学院
苏州大学江苏省计算机信息处理技术重点实验室
0