Institute of Computing Technology, Chinese Academy IR
| 附加特征图增强的图卷积神经网络 | |
| 孙隽姝1; 王树徽1; 杨晨雪2; 黄庆明1; 郑振刚3 | |
| 2023 | |
| 发表期刊 | 计算机学报
 |
| ISSN | 0254-4164 |
| 卷号 | 46期号:9页码:1900 |
| 摘要 | 近年来,图卷积网络(Graph Convolutional Network,GCN)凭借其简单的网络结构、在图上任务中展现出的优异性能,受到了学术界和工业界的广泛关注.然而GCN也存在着在浅层时信息传播范围过小、特征提取不充分的缺陷.针对这一问题,本研究提出附加特征图模型(Additional Feature Graph,AFG).AFG通过引入图的节点结构特征(度特征),对度相同的节点随机增加连边、缩短信息传播距离.AFG并不是独立的图神经网络模型,而是作为一种附加技术与GCN及其相关模型配合使用.实验显示,在Cora、Citeseer、Pubmed数据集上AFG能够对浅层主干模型实现显著性能增益,帮助主干模型性能超越了其他以提升模型特征提取能力、改善欠传播情况为目的进行设计的模型.本研究进一步分析了AFG与DropEdge---一种随机切断原始图连边的附加技术---的区别与联系,并通过实验证明附加特征图模型与DropEdge模型共同使用的可行性,以及两者间存在一定的互补性.结合使用两种附加技术可以实现更大的节点分类准确度增益. |
| 关键词 | graph representation learning graph neural networks message passing graph convolutional networks node classification 图表示学习 图神经网络 信息传播 图卷积网络 节点分类 |
| 语种 | 英语 |
| 文献类型 | 期刊论文 |
| 条目标识符 | http://119.78.100.204/handle/2XEOYT63/38122 |
| 专题 | 中国科学院计算技术研究所期刊论文_中文 |
| 作者单位 | 1.中国科学院计算技术研究所 2.中国农业科学院农业信息研究所 3.香港大学 |
| 第一作者单位 | 中国科学院计算技术研究所 |
| 推荐引用方式 GB/T 7714 | 孙隽姝,王树徽,杨晨雪,等. 附加特征图增强的图卷积神经网络[J]. 计算机学报,2023,46(9):1900. |
| APA | 孙隽姝,王树徽,杨晨雪,黄庆明,&郑振刚.(2023).附加特征图增强的图卷积神经网络.计算机学报,46(9),1900. |
| MLA | 孙隽姝,et al."附加特征图增强的图卷积神经网络".计算机学报 46.9(2023):1900. |
| 条目包含的文件 | 条目无相关文件。 | |||||
| 个性服务 |
| 推荐该条目 |
| 保存到收藏夹 |
| 查看访问统计 |
| 导出为Endnote文件 |
| 谷歌学术 |
| 谷歌学术中相似的文章 |
| [孙隽姝]的文章 |
| [王树徽]的文章 |
| [杨晨雪]的文章 |
| 百度学术 |
| 百度学术中相似的文章 |
| [孙隽姝]的文章 |
| [王树徽]的文章 |
| [杨晨雪]的文章 |
| 必应学术 |
| 必应学术中相似的文章 |
| [孙隽姝]的文章 |
| [王树徽]的文章 |
| [杨晨雪]的文章 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论