.png){kind=icon}
返回
Extracting learning backbones: a zero-forcing-based approach to graph sparsification for graph classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s41109-026-00789-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种用于图稀疏化的控制理论框架，旨在构建保留原图学习能力的稀疏子图，减少结构复杂性同时保持下游性能。我们将这些稀疏图称为学习骨干。我们的方法利用零强制（ZF）现象——一种在网络系统控制中有应用的网络动态过程——来构建保留关键动态属性的树。通过利用这些属性与有效图学习所需属性之间的假设关系，我们生成了所需的学习骨干。我们在九个数据集和六个基线模型的图分类基准上评估了所提出的方法，表明所提出的稀疏化策略显著降低了边密度，同时基本保留了分类性能，并且在某些情况下在噪声环境下表现出鲁棒性。此外，我们通过整合节点距离度量作为补充的控制基稀疏化策略，扩展了学习骨干框架。最后，我们通过逐步移除边直至达到基于ZF的学习骨干，分析边稀疏化的影响，并采用网络可用信息（NUI）指标来评估不同边密度下的学习过程。
Keyword:
Sparsification
Network control backbone
Graph neural networks
Graph classification
期刊
A
IF:
1.5
论文数:
62
被引数:
1.3K
机构
查看更多机构
引用论文
暂无论文信息