.png){kind=icon}
返回
Interpretable Multi-View Feature Representation via Physical Partial Differential Equation
.png){kind=icon}
PRE
AI
DOI：10.1109/tmm.2026.3668510.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）已成为学习图结构数据表示的有力工具，利用节点间的关系及其特征。尽管取得了成功，但由于神经网络的黑箱特性，它们通常缺乏可解释性，进一步发展可能受限。此外，以往的基于GNN的多视图方法通常依赖简单的特征融合技术，如加权平均或拼接，无法捕捉视图间的复杂依赖关系。本文提出了一种新颖框架，即基于物理偏微分方程的可解释多视图特征表示（IMvFR），以解决多视图半监督学习中的这些局限性。通过将GNN与偏微分方程（PDEs）相结合，我们将多视图特征表示的演化建模为动态过程。这为理解不同视图间信息流动提供了自然且可解释的框架，克服了传统GNN的黑箱特性。此外，我们在PDE框架内将多视图特征表示表述为初值问题，为标签传播和特征融合提供了清晰且可解释的机制，从而促进视图间的全局和局部信息获取。在八个数据集上的全面实验结果表明，所提出的方法相比当前最优方法具有更优性能。
Keyword:
Multi-view learning
physics-informed neural network
graph neural network
model interpretability
期刊
IF:
9.7
论文数:
4.5K
被引数:
2.4W
机构
引用论文
Revisiting multi-view learning: A perspective of implicitly heterogeneous Graph Convolutional Network.png)
NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏分享收藏
查看更多内容