.png){kind=icon}
返回
Multi-view multi-dimensional collaborative completion for node classification with missing attributes
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-026-02428-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多视图学习通过挖掘不同视图的互补信息来改善缺失属性的节点分类。现有的多视图自监督补全方法依赖图自编码器，以无监督方式从可用特征和图结构中重构缺失的节点属性，但存在两大主要局限：它们往往忽略编码器内部的层间相关性，并过度依赖输入图结构的准确性，从而限制了节点分类性能。为解决这些问题，本文提出了一种用于缺失属性节点分类的多视图多维协同补全方法（MV-MDCC）。该方法首先通过结合特征传播与个性化PageRank引擎构建两个更具抗干扰能力的视图。随后引入三重约束策略，以最大化跨视图的一致性，涵盖层间、属性和结构三个维度，从而实现更精确的表示对齐。最后设计了双解码器策略，包括属性解码器和边解码器，分别用于重构节点特征和拓扑结构。重构约束促进了具有异构互补性的表示学习，进而提升了节点分类精度。大量实验表明，MV-MDCC在四种基准数据集的不同属性缺失率下均显著优于现有方法，验证了其有效性和鲁棒性。
Keyword:
Missing attributes
Multi-view learning
Representation alignment
Graph autoencoder
Node classification
查看更多机构