HCPN-GCN：锥几何扩展层次原型网络
热点事件持续更新
HCPN-GCN：锥几何扩展层次原型网络
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Sammuel R. Silva 等作者提交论文，提出 HCPN-GCN——一种面向持续图学习的图感知扩展方法。它把分层原型网络（HPN）原有的线性特征提取器替换为图卷积网络（GCN），并引入基于锥的原型与多样性正则目标。 作者称，在六个持续图学习基准上，该方法的平均分类准确率稳定优于原始 HPN 和代表性持续学习基线，同时保持接近零遗忘；模型用约 30 倍更少的原子原型学到更丰富的类别级原型层级。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
HCPN-GCN：用锥几何扩展分层原型网络实现持续图学习报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv cs.CVHCPN-GCN：用锥几何扩展分层原型网络实现持续图学习
HCPN-GCN 将分层原型网络（HPN）的线性特征提取器替换为 GCN，并引入基于锥的原型与多样性正则，用于持续图学习。在六个持续图学习基准上，它的平均分类准确率稳定优于原始 HPN 和代表性持续学习基线，同时保持接近零遗忘。该模型用约 30 倍更少的原子原型学到更丰富的类别级原型层级。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。