基于重要性池化的层级图表示学习方法

摘要：

为解决传统图神经网络在图分类任务上存在训练过程中噪声信息过多以及不能完整地挖掘图的层次表征信息等问题,提出一种端到端的基于重要性池化的层级图表示学习方法.该方法以层内-层间联合特征提取结构为基础,主要包括层内特征提取模块和层间特征提取模块2个部分.利用池化方法将图粗粒化为高级子图结构,以缩减特征图的尺寸;利用循环单元,以抑制层间噪声的传播,并自适应地聚集层级表征.实验结果表明,在合理的时间复杂度下,该方法能使损失函数收敛于更小的值,且模型精度有明显的提升.

关键词：图神经网络、重要性池化、层级表示学习

所属期刊栏目：40

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金;认知无线电与信息处理省部共建教育部重点实验室基金;广西高校云计算与复杂系统重点实验室基金

在线出版日期：2021-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：300-304