.png){kind=icon}
返回
Multi-type social patterns-based graph learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.130039.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
捕获社会图中所展现的拓扑结构对图学习至关重要，因为图神经网络中的节点表示高度依赖于其邻居。传统方法通常通过聚合多跳邻居的特征来计算节点表示，而忽略了子图结构，例如包含独特且丰富语义信息的多类型社交模式。然而，对图中的所有多类型社交模式进行建模并非易事，因为这些模式涉及多个节点，会产生高昂的计算成本。此外，多类型社交模式通常在图节点上呈现长尾分布，这使得图神经网络难以准确校准每个节点的模式信息。在本文中，我们提出了一种基于多类型社交模式的图学习方法（MORAL），它通过结构注意力机制自适应地学习图中的多类型社交模式，并平衡其分布状态以提升低度节点的准确性。实验结果表明，MORAL相较于其他基准方法显著提升了性能，尤其是在大型图上表现突出。
Keyword:
Graph learning
Graph neural networks
Network motifs
Long-tailed distribution
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
查看更多内容