【大连理工大学】买球·(中国)APP官方网站
在大数据期间，图结构数据普通存在于应酬会聚、推选系统和生物信息学等鸿沟。然而，面前的图神经会聚（GNN）行径在处理大限度、异质和噪声较大的图结构数据时，常常濒临着可解说性不及、过度平滑、噪声堆叠、野心复杂性高的挑战。
近期，软件学院、外洋信息与软件学院万肥土副考验推敲团队通过创造性地和会隐层表征与拓扑信息、小波去噪与图卷积、自监督学习中的LLE降维优化、Z-laplacian框架的矩阵解析行径等多种有用行径，惩办了图结构数据处理中的系列费事，为该鸿沟的进一步推敲提供了新的主义和念念路。推敲推敲接踵发表在中国野神思学会认定的数据挖掘及常识发现鸿沟顶级学术会议及期刊（A类）中，包括2024年外洋常识发现与数据挖掘大会、2023年外洋万维网会议，以及IEEE常识与数据工程汇刊。著述第一作家均为万肥土副考验，第一完成单元为大连理工大学。
效果1：基于隐层暗示学习的生动图扩散模子
推敲团队通过分析过度平滑问题，提议了基于扩散的隐层表征学习行径。该行径通过假想生动的图团员模子，左证不同节点的贯串关连自稳健团员邻居信息，从而有用唐突异质图和深层采会聚的过度平滑问题。FGND在堆叠256层后已经具备优秀的可分歧度。
图1 FGND与GCN模子堆叠多层后隐层暗示分歧度对比(Cora)
效果2：小波去噪滤波器长入并校正图卷积神经会聚
为惩办噪声蕴蓄问题，推敲团队引入了小波去噪滤波器，将其与图卷积神经会聚相结伙，期骗小波扩散局部性的特色，权臣进步了模子的效果以及可解说性，同期假想了一种新的图采样战略，在多个数据集上竣事了愈加雄厚和准确的节点分类。
图2 字母GSP在不同小波悉数下的扩散流程
效果3：基于自监督学习的图神经会聚模子
推敲团队聚焦于图对比学习的优化与可解说性，通过将LLE降维算法引入自监督学习框架，团队假想了更具解说性的对比学习模子，大幅进步了图镶嵌的准确性，同期保执了较低的野心复杂度。推敲团队提议的GraphTL模子比拟之前的图对比模子MVGRL、GRACE以及有监督模子GCN，分类效果愈加优秀。
图3 GraphTL模子与其他模子在分类效果上的对比
效果4：Z-拉普拉斯矩阵解析：具有可解说图信号的会聚镶嵌
针对野心复杂性和着力问题，推敲团队提议了一种基于Z-laplacian框架的图镶嵌行径。该行径通过引入偏置参数，竣事了对不同本事长度扩散的精准禁止，不仅进步了模子在节点分类和链路斟酌任务上的清楚，还权臣裁减了野心复杂度。
图4 Z-NetMF模子在BlogCatalog数据集上的分类效果
推敲推敲得到了国度要点研发贪图、国度当然科学基金、辽宁省当然科学基金、中央高校基本科研业务费专项资金、浙江实验室以及重庆市教委科技推敲贪图项谋略资助和复旧。
论文1贯串：https://dl.acm.org/doi/10.1145/3637528.3671860
论文2贯串：https://dl.acm.org/doi/10.1145/3543507.3583253
论文3贯串：https://dl.acm.org/doi/abs/10.1145/3543507.3583441
论文4贯串：https://ieeexplore.ieee.org/document/10313024
声明: 本文良友和图片来自于政府/园区管委会官网、官方公众号、材料推敲媒体过头他公开良友，如信息有误或有遗漏，海涵推敲咱们修改；咱们尊重常识产权，因整理良友所需，本文中援用部分公开第三方的数据、图片等施行，其所属的常识产权包摄原作家，且凡援用的施行均在文中标注了原文出处、原作家。若版权扫数者合计本文涉嫌侵权或其他问题，请推敲本身实时处理；咱们发奋数据严谨准确，但因受时分及东谈主力限制，文中施行未免有所苟且。如有首要乖张失实，敬请读者不惜见示品评指正。
转自：大连理工大学新闻网买球·(中国)APP官方网站
隐层模子小波大连理工大学万肥土发布于：湖北省声明：该文不雅点仅代表作家本东谈主，搜狐号系信息发布平台，搜狐仅提供信息存储空间奇迹。