.png){kind=icon}
返回
Deep graph neural network with progressive graph structure denoising
.png){kind=icon}
PRE
AI
DOI：10.1007/s00521-025-11768-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络（GNNs）在图表示学习方面取得了显著成功，这依赖于一个可信的图结构。然而，在实际应用中，标注图结构是困难的，这带来了在含噪声图结构的图表示学习中一个关键问题。为解决此问题，本文提出了一种渐进式图结构去噪框架，一种融合了渐进式优化与残差学习优势的新型架构。首先，我们设计了一种新颖的基于注意力机制的扭曲图卷积层（ATGCL），用于学习节点表示和邻接矩阵的残差，这能够有效降低噪声、恢复图结构，并促进更精确的节点表示。然后，我们利用ATGCL作为骨干构建深度去噪图神经网络（DDGNN），以克服过平滑这一已知问题，其中在每个层中，学习的残差被应用于前一层节点的表示和邻接矩阵。得益于渐进式优化，含噪声的图结构能够得到良好优化。实验结果表明，在半监督节点分类任务中，本方法在三个常用数据集上达到了有竞争力的分类精度。此外，我们在含噪声图结构的图数据上进行了大量实验，进一步证明了所提出的DDGNN的有效性和鲁棒性。
Keyword:
Graph neural networks
Graph representation learning
Graph structure learning
期刊
IF:
4.5
论文数:
952
被引数:
3.2W
机构
引用论文
Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting流量图卷积循环神经网络: 用于网络规模流量学习和预测的深度学习框架
OAAI
OAAI分享收藏Graph structure learning layer and its graph convolution clustering application图结构学习层及其图卷积聚类应用.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
没有更多内容
没有更多内容