Capturing local and global information: Multi-view graph convolutional network via granular-ball computing and collaborative matrix

doi:10.1016/j.eswa.2025.129057

Capturing local and global information: Multi-view graph convolutional network via granular-ball computing and collaborative matrix

2025-07-21

0

PRE

AI

DOI：10.1016/j.eswa.2025.129057

原文链接

原文求助

摘要

En 中文

基于图卷积网络（GCN）的多视图学习领域，许多研究关注于整合不同视图的信息以提升模型性能。大多数方法主要通过特征融合或拓扑融合提取一致性信息。然而，这种融合模式忽略了各视图内的局部信息，从而内在地限制了模型性能。为克服此局限，本文提出了基于粒球计算与协同矩阵的多视图图卷积网络（GBCM-GCN），其包含两个模块：基于粒球的拓扑构建模块和基于协同矩阵的卷积模块。前者利用粒球间的边界距离，基于局部和全局连接构建高质量拓扑。后者利用不同维度的卷积核在卷积过程中提取嵌入表示的局部和全局信息，随后利用可学习参数将其整合为协同矩阵。此外，协同矩阵在所有视图中共享，能够增强不同视图间的一致性表示。最终，实验结果表明GBCM-GCN优于现有的多视图半监督分类方法。

Keyword:

multi-view learning

graph convolutional network

granular-ball computing

collaborative matrix

semi-supervised classification

Capturing local and global information: Multi-view graph convolutional network via granular-ball computing and collaborative matrix

摘要

期刊

机构

引用论文