Biblioteca73.326 documentos en línea

Artículo

Hybrid Low-Order and Higher-Order Graph Convolutional NetworksRedes convolucionales gráficas híbridas de bajo y alto orden

Resumen

Con la información de vecindad de orden superior de una red de grafos, se puede mejorar significativamente la precisión de la clasificación del aprendizaje de la representación de grafos. Sin embargo, las actuales redes convolucionales de grafos de orden superior tienen un gran número de parámetros y una alta complejidad computacional. Por lo tanto, proponemos un modelo de aprendizaje híbrido de redes convolucionales de grafos de orden inferior y superior (HLHG), que utiliza un mecanismo de reparto de pesos para reducir el número de parámetros de la red. Para reducir la complejidad computacional, proponemos una nueva capa de fusión de información para combinar la información de la matriz de vecindad de alto y bajo orden. Comparamos teóricamente la complejidad computacional y el número de parámetros del modelo propuesto con los de otros modelos de última generación. Experimentalmente, verificamos el modelo propuesto en conjuntos de datos de redes de texto a gran escala utilizando aprendizaje supervisado y en conjuntos de datos de redes de citación utilizando aprendizaje semisupervisado. Los resultados experimentales muestran que el modelo propuesto logra una mayor precisión de clasificación con un pequeño conjunto de parámetros de peso entrenables.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento