|
在大数据时间，图结构数据粗鄙存在于酬酢收罗、保举系统和生物信息学等范畴。然而，现时的图神经收罗（GNN）要津在处理大范畴、异质和噪声较大的图结构数据时探花 巨乳，不异面对着可施展性不及、过度平滑、噪声堆叠、计较复杂性高的挑战。 近期，软件学院、海外信息与软件学院万肥土副训导筹议团队通过创造性地交融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框架的矩阵理会要津等多种灵验要津，管理了图结构数据处理中的系列贫寒，为该范畴的进一步筹议提供了新的标的和想路。推敲筹议接踵发表在中国计较机学会认定的数据挖掘及学问发现范畴顶级学术会议及期刊（A类）中，包括2024年海外学问发现与数据挖掘大会、2023年海外万维网会议，以及IEEE学问与数据工程汇刊。著作第一作家均为万肥土副训导，第一完成单元为大连理工大学。 效力1：基于隐层示意学习的活泼图扩散模子 筹议团队通过分析过度平滑问题，建议了基于扩散的隐层表征学习要津。该要津通过假想活泼的图团员模子，凭证不同节点的连结干系自稳当团员邻居信息，从而灵验搪塞异质图和深层收罗中的过度平滑问题。FGND在堆叠256层后还是具备优秀的可分袂度。
图1 FGND与GCN模子堆叠多层后隐层示意分袂度对比(Cora) 效力2：小波去噪滤波器长入并改动图卷积神经收罗 为管理噪声积聚问题，筹议团队引入了小波去噪滤波器，将其与图卷积神经收罗集聚合，运用小波扩散局部性的特质，权臣莳植了模子的效果以及可施展性，同期假想了一种新的图采样计谋，在多个数据集上终明晰愈加清醒和准确的节点分类。
图2 字母GSP在不同小波通盘下的扩散经过 效力3：基于自监督学习的图神经收罗模子 筹议团队聚焦于图对比学习的优化与可施展性，通过将LLE降维算法引入自监督学习框架，团队假想了更具施展性的对比学习模子，大幅莳植了图镶嵌的准确性，同期保抓了较低的计较复杂度。筹议团队建议的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 效力4：Z-拉普拉斯矩阵理会：具有可施展图信号的收罗镶嵌 色吧电影针对计较复杂性和效力问题，筹议团队建议了一种基于Z-laplacian框架的图镶嵌要津。该要津通过引入偏置参数，终明晰对不同时辰长度扩散的精准已矣，不仅莳植了模子在节点分类和链路展望任务上的阐述，还权臣裁减了计较复杂度。
图4 Z-NetMF模子在BlogCatalog数据集上的分类效果 推敲筹议得到了国度重心研发经营、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、浙江执行室以及重庆市教委科技筹议经营项筹画资助和相沿。 论文1联结：https://dl.acm.org/doi/10.1145/3637528.3671860 论文2联结：https://dl.acm.org/doi/10.1145/3543507.3583253 论文3联结：https://dl.acm.org/doi/abs/10.1145/3543507.3583441 论文4联结：https://ieeexplore.ieee.org/document/10313024 |
