.png){kind=icon}
返回
Information enhancement graph representation learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patrec.2025.04.006.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图表示学习是复杂网络中一个重要且基础的研究方向。图神经网络设计了出色的滤波器，并在下游任务中表现出色。从基本原理出发，图表示学习的根本目标是获取邻居信息以降低目标节点的不确定性。基于部分信息分解（PID），本文发现现有的节点聚合策略未能从邻居处获取足够的信息增益。此外，图包含大量节点，使得互信息分解具有挑战性。因此，本文将图上的部分信息分解（PIDG）定义为一种粗粒度的PID，设计了一个门控机制来学习来自邻居节点的信息增益表示，并构建了信息增强（IE）模块，该模块通过结合来自邻居节点的各种形式的信息来增强节点的表示能力。本研究实现了图中节点信息的增强，并在真实数据集上得到了验证。
Keyword:
Graph representation
PIDG
Synergy
GCN
Information on graph
期刊
IF:
3.3
论文数:
8.0K
被引数:
1.6W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
查看更多内容