附加特征图增强的图卷积神经网络
文献类型：期刊论文
| 作者 | 孙隽姝3; 王树徽3; 杨晨雪2; 黄庆明3; 郑振刚1 |
| 刊名 | 计算机学报
 |
| 出版日期 | 2023 |
| 卷号 | 46期号:9页码:1900 |
| 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 |
| ISSN号 | 0254-4164 |
| 英文摘要 | 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. |
| 语种 | 英语 |
| 源URL | [http://119.78.100.204/handle/2XEOYT63/38121]  |
| 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.香港大学 2.中国农业科学院农业信息研究所 3.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. |
入库方式： OAI收割
来源：计算技术研究所
浏览0
下载0
收藏0
其他版本
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。