.png){kind=icon}
返回
Multi-granularity graph refinement via granular ball for graph classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133713.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图分类旨在根据图的拓扑结构和节点属性对整个图进行分类。现有方法主要关注从图级拓扑和节点级属性中学习图结构。然而，现有的池化和粗化策略通常通过将节点聚类而丢失信息，无法保留子域的内在结构细节。为此，我们提出了一种新颖的多粒度图细化方法（MGGR），将范式从简单的图压缩转向自适应的结构分解。与传统的图方法不同，MGGR利用粒度球计算递归地将图分解为子域，以实现拓扑密度和语义同质性之间的最佳平衡。具体而言，我们提出了一种细粒度分割机制，将图分解为有意义的粒度。此外，开发了一种层次粒度图编码器，以显式捕获域内粒度特征和域间结构依赖关系，有效利用多粒度分解的内在归纳偏差。我们在包含超过169,306个图的9个基准数据集上评估了MGGR。结果表明，MGGR显著优于当前的最优方法。此外，多粒度分解和层次编码的有机结合显著增强了模型的结构鲁棒性，使MGGR即使在20%的标签噪声下也能保持稳定的性能。代码可在https://anonymous.4open.science/r/MGGR/获取。
Keyword:
Graph classification
Multi-granularity decomposition
Granular Ball Computing
Hierarchical Graph Encoder
Structural resilience
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
.png){kind=icon}
分享收藏Granular ball computing classifiers for efficient, scalable and robust learning颗粒球计算分类器，用于高效、可扩展和稳健的学习
PREAI
分享收藏分享收藏
查看更多内容