.png){kind=icon}
返回
Adaptive symbiotic graph convolutional network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130049.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在图和网络数据的内在结构中，网络节点之间的潜在互惠性形成了深刻的共生关系。传统的图神经网络在学习和处理这些共生关系时，难以自适应地解析和整合多源特征。为解决此挑战，我们针对半监督节点分类任务提出了一种新型的自适应共生图卷积网络（ASGCN）。首先，本研究的初始贡献在于引入了一个多尺度特征卷积模块，该模块能够实现不同尺度上的层次特征提取，并构建k近邻图，从而深化节点的共生特征。其次，提出了一种共生共卷积模块，用以强化共生关系固有的深刻相互依赖性。最后，引入了一种自适应动态特征选择机制，能够灵活响应数据特性，在信息处理流程中有效识别并融合最具影响力的特征。实验结果表明，ASGCN在深入分析和整合节点内在属性与图结构关系方面展现出显著优势，从而提升了节点分类任务的性能。
Keyword:
Graph neural network
Graph convolutional network
Graph representation learning
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
DEMO-Net: Degree-specific Graph Neural Networks for Node and Graph Classification.png)
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏AM-GCN: Adaptive Multi-channel Graph Convolutional NetworksProceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
分享收藏
查看更多内容