-
题名附加特征图增强的图卷积神经网络
被引量：2
- 1
-
-
作者
孙隽姝
王树徽
杨晨雪
黄庆明
郑振刚
-
机构
中国科学院计算技术研究所智能信息处理实验室
中国科学院大学计算机科学与技术学院
鹏城实验室
中国农业科学院农业信息研究所
香港大学计算机科学系
深圳大学粤港澳智慧城市联合实验室
-
出处
《计算机学报》
EI
CAS
CSCD
北大核心
2023年第9期1900-1918,共19页
-
基金
科技创新2030-新一代人工智能重大项目:面向跨媒体内容管理的智能分析与推理(No.2018AAA0102000)
国家自然科学基金委员会:跨媒体理解与知识推理(No.62022083)
+4 种基金
国家自然科学基金委员会:数据和知识联合驱动的跨媒体语义理解与文本生成(No.62236008)
中国科学院计算技术研究所创新课题(E161060)
香港大学项目(104005858,10400599)
粤港澳联合实验室项目(2020B1212030009)
鹏城实验室重大攻关项目:脑眼融合的智能感知计算技术与平台(PCL2023AS6-1)等项目资助。
-
文摘
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
图表示学习
图神经网络
信息传播
图卷积网络
节点分类
-
Keywords
graph representation learning
graph neural networks
message passing
graph convolutional networks
node classification
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
