一种融合图数据多元结构和特征的图池化方法
作者机构:福建理工大学计算机科学与数学学院 福建理工大学福建省大数据挖掘与应用技术重点实验室
出 版 物:《计算机工程》 (Computer Engineering)
年 卷 期:2024年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 070104[理学-应用数学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0701[理学-数学] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金“基于集成学习的分布式XML数据流的挖掘模型与概念漂移挖掘方法研究”(61773415) 国家重点研发计划项目“浅海智能生态增养殖全过程信息化平台构建”(2019YFD0900805) 福建理工大学科技项目“图神经网络与图表示研究”(GY-Z21183)
摘 要:在图神经网络中,图池化是一类用于对图数据进行下采样以提取图表征的重要操作。由于图数据存在较为复杂的网络拓扑结构和高维度的特征信息,现有的图池化方法在设计中还存在以下问题:1、未能充分利用并同时融合图数据的拓扑结构信息和节点的长距离依赖信息;2、在图池化过程中没有考虑丢弃节点的特征,不可避免造成图数据的重要信息损失。针对以上问题,本文提出了一种基于多元特征融合的图池化方法来同时捕获图数据的局部拓扑信息、全局拓扑信息以及长距离节点依赖关系,并使用一个聚合模块聚合这些特征信息得到一个新的池化图。为了缓解图池化过程中节点的特征信息丢失,提出一种新的特征融合方法将丢弃节点的信息以一定比例汇聚到保留节点上。基于该池化方法,构建了一个基于分层池化的图分类模型,并在多个公共数据集上进行实验。结果表明,与最佳基线模型相比,本文所提出的模型在图分类任务上取得了更好的效果,在D&D、PROTEINS、NCI1和NCI109四个数据集上的分类准确率分别提升了2.97%、3.59%、0.48%和0.24%。这表明它能够更有效利用图数据的特征信息、拓扑信息和长距离节点依赖信息,提升图分类效果。