.png){kind=icon}
返回
Hybrid long-range dependency-aware graph convolutional network for node classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-025-02473-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图神经网络虽然有效，但仍面临信息传递机制中的固有局限，如过度压缩问题。这限制了其捕捉长距离依赖关系的能力，进而制约了其在图挖掘任务（如节点分类）上的性能。近期研究尝试通过开发基于两步聚合的方法来应对这一问题，其核心思想是在拓扑或属性特征空间中寻找高相似性节点进行信息聚合。尽管这些方法有效，但我们观察到先前研究存在两个共同缺陷：一是基于单一类型特征的节点筛选策略，二是仅限于保留低频信息。这些限制导致无关节点的无意包含以及长距离依赖关系中多频信息的忽视。针对此问题，我们提出了一种新型方法——混合长距离依赖感知图卷积网络（HLDGCN），以克服上述缺陷。具体而言，HLDGCN首先采用灵活的节点选择过程，综合考虑不同图结构中的拓扑与属性特征。随后，通过添加连接选定节点的额外边，将原始图转换为长距离依赖感知图。与仅关注高相似性节点的先前方法不同，HLDGCN同时纳入高、低相似性节点，并分别赋予正、负边权重。这一设计确保了图中多频信息的保留。此外，HLDGCN采用专门的图卷积层，利用分离融合策略在转换后的图上有效聚合信息。在包括同配性和异配性图在内的多种基准数据集上的广泛实验表明，HLDGCN在节点分类任务中表现优越。
Keyword:
Over-squashing
Long-range dependency
Different-frequency information
Node classification
期刊
IF:
3.1
论文数:
547
被引数:
5.2K
机构
暂无机构信息
引用论文
Generalized few-shot node classification: toward an uncertainty-based solution广义小样本节点分类：面向基于不确定性的解决方案
PREAI
分享收藏
Scaling Graph Neural Networks with Approximate PageRank.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th 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NodeAug: Semi-Supervised Node Classification with Data AugmentationNodeAug: 具有数据增强的半监督节点分类Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
PREAI
分享收藏
查看更多内容