声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：徐立祥,葛伟,陈恩红,罗斌,
关键词：图分类, 图神经网络, 图核, Nystrm方法, 图注意力机制,
图表示学习已成为图深度学习领域的一个研究热点.大多数图神经网络存在过平滑现象，这类方法重点关注图节点特征，对图的结构特征关注度不高.为了提升对图结构特征的表征能力，提出了一种基于图核同构网络的图分类方法，即KerGIN.该方法首先通过图同构网络（graphisomorphismnetwork，GIN）对图进行节点特征编码，并使用图核方法对图进行结构编码，进一步利用Nystr?m方法降低图核矩阵的维度.其次借助MLP将图核矩阵与图特征矩阵对齐，通过注意力机制将图的特征编码和结构编码进行自适应加权融合，进而得到图的最终特征表示，提升了图结构特征信息的表达能力.最后在7个公开的图分类数据集上对模型进行了实验评估：与现有图表示模型相比，KerGIN模型能够在图分类准确度上有较大幅度提升，它可以增强GIN对图结构特征信息的表达能力.
来源：2024年第4期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。