【大连理工大学】世博shibo登录入口

在大数据期间，图结构数据无为存在于应酬收罗、推选系统和生物信息学等范围。但是，现时的图神经收罗（GNN）身手在处理大范围、异质和噪声较大的图结构数据时，时时濒临着可阐发性不及、过度平滑、噪声堆叠、忖度打算复杂性高的挑战。

近期，软件学院、外洋信息与软件学院万肥土副讲授策划团队通过创造性地会通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框架的矩阵瓦解身手等多种有用身手，处置了图结构数据处理中的系列贫寒，为该范围的进一步策划提供了新的标的和想路。联系策划接踵发表在中国忖度打算机学会认定的数据挖掘及常识发现范围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。著作第一作家均为万肥土副讲授，第一完成单元为大连理工大学。

服从1：基于隐层示意学习的天真图扩散模子

策划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身手。该身手通过遐想天确实图团员模子，证据不同节点的陆续关系自相宜团员邻居信息，从而有用吩咐异质图和深层收罗中的过度平滑问题。FGND在堆叠256层后已经具备优秀的可分手度。

图1 FGND与GCN模子堆叠多层后隐层示意分手度对比(Cora)

服从2：小波去噪滤波器结伙并校阅图卷积神经收罗

为处置噪声积攒问题，策划团队引入了小波去噪滤波器，将其与图卷积神经收罗相鸠合，哄骗小波扩散局部性的特色，显赫普及了模子的效果以及可阐发性，同期遐想了一种新的图采样计策，在多个数据集上已矣了愈加踏实和准确的节点分类。

图2 字母GSP在不同小波统共下的扩散进度

服从3：基于自监督学习的图神经收罗模子

策划团队聚焦于图对比学习的优化与可阐发性，通过将LLE降维算法引入自监督学习框架，团队遐想了更具阐发性的对比学习模子，大幅普及了图镶嵌的准确性，同期保握了较低的忖度打算复杂度。策划团队提议的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

服从4：Z-拉普拉斯矩阵瓦解：具有可阐发图信号的收罗镶嵌

针对忖度打算复杂性和服从问题，策划团队提议了一种基于Z-laplacian框架的图镶嵌身手。该身手通过引入偏置参数，已矣了对不同技术长度扩散的精准限制，不仅普及了模子在节点分类和链路展望任务上的发扬，还显赫缩短了忖度打算复杂度。

图4 Z-NetMF模子在BlogCatalog数据集上的分类效果

联系策划得到了国度重心研发计算、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策划计算项策划资助和因循。

论文1合并：https://dl.acm.org/doi/10.1145/3637528.3671860

论文2合并：https://dl.acm.org/doi/10.1145/3543507.3583253

论文3合并：https://dl.acm.org/doi/abs/10.1145/3543507.3583441

论文4合并：https://ieeexplore.ieee.org/document/10313024

声明: 本文尊府和图片来自于政府/园区管委会官网、官方公众号、材料联系媒体过火他公开尊府，如信息有误或有遗漏，迎接筹商咱们修改；咱们尊重常识产权，因整理尊府所需，本文中援用部分公开第三方的数据、图片等推行，其所属的常识产权包摄原作家，且凡援用的推行均在文中标注了原文出处、原作家。若版权通盘者觉得本文涉嫌侵权或其他问题，请筹商自身实时处理；咱们极力数据严谨准确，但因受时期及东谈主力终局，文中推行不免有所大肆。如有要紧瑕玷失实，敬请读者不惜指教品评指正。

转自：大连理工大学新闻网世博shibo登录入口

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处事。