典型文献
基于剪边策略的图残差卷积深层网络模型
文献摘要：
图神经网络自2005年以来已经逐步成为图学习中的一个重要的研究分支,其中最为活跃的是图卷积神经网络.由于图数据在现实世界中广泛存在,因此有效地完成图结构数据的学习具有很大的应用前景.目前出现的大多数图卷积神经网络模型基本都是浅层结构,过平滑问题成为制约该领域发展的瓶颈问题.本文提出了一种称为dri-GCN(Graph Convolutional Network via dropedge,residual and identity mapping)的图残差卷积深层网络模型,该模型集成了图剪边、初始残差和恒等映射技术.主要思想包括:利用图剪边技术增加学习数据的多样性,以防止学习过程中的过拟合现象;构建恒等映射下的初始残差网络,来扩展残差单元的学习路径,以削弱学习过程中的过平滑问题.实验结果表明,本文提出的dri-GCN模型可以帮助构建深层图卷积神经网络,通过网络层次的加深可以获得优于浅层网络的学习准确率.
文献关键词：
图神经网络;图卷积神经网络;剪边;残差
中图分类号：
作者姓名：
毛国君;王者浩;黄山;王翔
作者机构：
福建工程学院福建省大数据挖掘与应用重点实验室,福建福州350118
文献出处：
引用格式：
[1]毛国君;王者浩;黄山;王翔-.基于剪边策略的图残差卷积深层网络模型)[J].电子学报,2022(09):2205-2214
A类：
dropedge,初始残差
B类：
剪边,残差卷积,深层网络,图神经网络,图学习,图卷积神经网络,图数据,现实世界,成图,图结构数据,卷积神经网络模型,过平滑,瓶颈问题,dri,GCN,Graph,Convolutional,Network,via,residual,identity,mapping,模型集成,恒等映射,映射技术,学习数据,学习过程,过拟合,建恒,射下,残差网络,残差单元,学习路径,网络层
AB值：
0.348857
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
