.png){kind=icon}
返回
MBGCN: Multi-View Block-Wise Graph Convolutional Networks on Large-Scale Graphs
.png){kind=icon}
PRE
AI
DOI：10.1109/TIP.2025.3640824.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有基于图卷积网络的方法由于计算消耗高且效率低下，在大规模图上往往难以处理。尽管边稀疏化和节点采样等策略确实能降低复杂度，但它们常常导致信息丢失和局部信息偏差。此外，在多视角场景中，传统多视角融合方法无法同时兼顾视角间一致性和视角内多样性，从而限制了模型性能。本文提出了一种多视角分块图卷积网络，能够有效应对大规模图的挑战，同时利用多视角信息的互补特性。具体而言，我们实现了节点分割模块，将节点划分为视角特定的子集，从而在降低计算复杂度的同时保留局部结构信息。为增强特征提取，我们在共享权重策略下，通过交替执行图卷积与图结构学习，在块内捕获丰富的子图表示。最后，全局融合模块引入跨视角跨块损失，逐步对齐各视角的块表示，缓解过平滑问题，并生成一致且全面的通用表示。在多样化的超大规模图数据集上进行的大量实验表明，所提出的方法不仅在多视角半监督分类上优于现有最优方法，而且展现出更优的可扩展性和内存效率。
Keyword:
Multi-view learning
graph convolutional network
graph structure learning
semi-supervised classification
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
机构
引用论文
Dynamic graph structure learning for multivariate time series forecasting多变量时间序列预测的动态图结构学习.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Interpretable Graph Convolutional Network for Multi-View Semi-Supervised Learning用于多视图半监督学习的可解释图卷积网络
PREAI
分享收藏
Cluster-GCNProceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Beyond Over-smoothing: Uncovering the Trainability Challenges in Deep Graph Neural Networks超越过平滑：揭示深度图神经网络中的训练性挑战
PREAI
分享收藏Neighbor-aware deep multi-view clustering via graph convolutional networkINFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏
查看更多内容