N-GCN:用于半监督节点分类的多尺度图卷积
本研究提出了一种新的深层分层图卷积网络 (H-GCN),通过聚合结构相似的节点形成超节点,然后再将粗化的图细化到原始图以恢复每个节点的表达,从而扩大每个节点的感受野,能够获取更多的全局信息,并在各种公共基准测试图数据集上表现出强大的实证性能。
Feb, 2019
本文研究机器学习领域的图半监督学习,提出了基于图卷积网络的深度学习方法,解决了图卷积网络机制不清晰及需要大量标注数据的问题,并针对浅层结构的限制提出了弱监督训练的方法。经过广泛实验验证,研究结果具有实际应用价值。
Jan, 2018
本文研究了 Graph Convolutional Neural Networks 在半监督节点分类中的表现。实验发现,节点的相似度和 GCN 的性能有正相关关系,并且 GCN 在同一类中节点邻居的一致性和唯一性对性能影响显著。
Jul, 2022
我们提出了基于经典的图卷积神经网络的图学习双图卷积神经网络 GLDGCN,并将其应用于半监督节点分类任务,在 Citeseer、Cora 和 Pubmed 三个引文网络上取得了更高的分类准确率,同时分析和讨论了超参数和网络深度的选择。我们还将子图聚类和随机梯度下降技术引入 GCN,并设计了基于聚类图卷积神经网络的半监督节点分类算法,使 GCN 能够处理大规模图数据并提高其应用价值,在 PPI 数据集(超过 50,000 个节点)和 Reddit 数据集(超过 200,000 个节点)上也表现良好。
Apr, 2024
本文提出了一种名为 ME-GCN(多维边增强图卷积网络)的模型用于半监督文本分类,该模型能够利用图的丰富边缘信息,通过将边特征作为多流信号进行单独图卷积操作,达到对整个文本数据集较好的分类效果。
Apr, 2022
本文提出了基于标签一致性的图神经网络(LC-GNN),扩大了 GNN 中的节点感受野,利用未连接但标签相同的节点对。在基准数据集上的实验证明,LC-GNN 在图形半监督节点分类方面优于传统的 GNN,在只有少数标记节点的稀疏场景中也表现出优越性。
Jul, 2020
本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息,以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证,展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。
Jun, 2020
本文从优化的角度解释了当前的图卷积操作存在的过度平滑问题,并引入了两个衡量节点级任务上过度平滑的度量标准,提出了一种新的卷积核 GCN+,并在真实的数据集上证明了其在节点分类任务上的优秀性能表现。
Sep, 2020
本文提出一种贝叶斯图卷积神经网络的框架,用于在图结构数据上进行节点分类和矩阵补全任务,并采用一种迭代学习算法来提高模型性能,并在试验中展示了当训练数据少时,该方法提供更好的性能。
Nov, 2018