咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >结合图神经网络和图对比学习的半监督多图分类 收藏

结合图神经网络和图对比学习的半监督多图分类

Semi-Supervised Multi-Graph Classification Combining Graph Neural Network and Graph Contrastive Learning

作     者:路秋霖 王慧颖 朱峰冉 李全鑫 庞俊 LU Qiulin;WANG Huiying;ZHU Fengran;LI Quanxin;PANG Jun

作者机构:武汉科技大学计算机科学与技术学院武汉430065 智能信息处理与实时工业系统湖北省重点实验室武汉430065 国网辽宁省电力有限公司信息通信分公司沈阳110065 

出 版 物:《计算机工程与应用》 (Computer Engineering and Applications)

年 卷 期:2025年第61卷第1期

页      面:368-374页

学科分类:081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

基  金:国家重点研发计划(2020AAA0108503) 

主  题:半监督多图分类 图对比学习 图神经网络 注意力机制 

摘      要:多图(multi-graph,MG)是一种图袋表示模型,半监督多图分类旨在从有标记和未标记的多图中构建一个预测模型,通过高准确度预测未标记多图,在用户产品推荐、生物制药等领域有着广泛应用。现有基于机器学习的半监督多图分类主要存在两点不足:(1)不能进行全自动的特征选择,过于依赖参数选择。(2)对未标记多图数据的价值未充分挖掘。因此,提出一种结合图神经网络和图对比学习的半监督多图分类方法(graph neural network combining with graph contrastive learning for semi-supervised multi-graph classification,GCSS)。一方面,分别设计从局部和全局提取特征信息的模块,并引入NN协同器(neural networks collaborator,NN collaborator)完成这两个模块的协作,自适应学习数据的特征表示进行训练;另一方面,采用图对比学习(graph contrastive learning,GCL)和半监督学习(semi-supervised learning,SSL)从两个不同学习视角来充分利用未标记多图数据,降低模型对标签等的依赖。在真实数据集上的大量实验结果验证了所提出方法的预测性能均优于基线方法。

读者评论 与其他读者分享你的观点