典型文献
基于重构误差的同构图分类模型
文献摘要：
目前深度学习方法应用于图分类模型的重点集中在将卷积神经网络迁移到图数据领域,包括重定义卷积层和池化层.卷积操作泛化到图数据上是有效的方法,但无论是卷积还是池化都存在较大的改进空间,尤其是在提取网络拓扑结构信息方面.提出一种基于重构误差的同构图分类模型,一方面利用改进的同构图卷积网络WaveGIC增强提取拓扑结构信息能力;另一方面利用多重注意力机制表征全图,使得模型能够关注关键节点信息.由于网络加深过程,局部拓扑结构的特征表达越来越不明显.在分类损失基础上添加重构误差损失,使分类器同时考虑图的节点特征和拓扑结构.在基准数据集上的实验结果表明,提出的方法具有较高的图分类准确度.
文献关键词：
图神经网络(GNN);图分类;重构误差;注意力机制
中图分类号：
作者姓名：
蒋光峰;胡鹏程;叶桦;仰燕兰
作者机构：
东南大学自动化学院,南京210096
文献出处：
引用格式：
[1]蒋光峰;胡鹏程;叶桦;仰燕兰-.基于重构误差的同构图分类模型)[J].计算机科学与探索,2022(01):185-193
A类：
WaveGIC
B类：
重构误差,构图,图分类,分类模型,深度学习方法,点集,图数据,卷积层,池化,卷积操作,改进空间,网络拓扑结构,结构信息,图卷积网络,信息能力,多重注意力机制,制表,关键节点,节点信息,特征表达,分类器,节点特征,基准数据集,图神经网络,GNN
AB值：
0.332054
相似文献
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。
