典型文献
基于特征和结构信息增强的图神经网络集成学习框架
文献摘要：
近年来,图神经网络由于其丰富的表征和推理能力受到广泛的关注,然而,目前的研究聚焦于卷积策略和网络结构的调整以获得更高的性能,不可避免地面临单一模型局限性的约束.受到集成学习思想的启发,面向图神经网络创新性地提出一套集成学习框架(EL-GNN).不同于常规的文本和图像数据,图数据除了特征信息外还包括了丰富的拓扑结构信息.因此,E L-GN N不仅将不同基分类器的预测结果进行融合,还在集成阶段额外补充了结构信息.此外,基于特征相似或结构邻居节点通常具有相似标签的先验假设,借助特征图重构,进一步优化集成策略,充分平衡了节点的特征和结构信息.大量实验表明,提出的集成策略取得了良好的成效,并E L-GN N在节点分类任务上显著优于现有模型.
文献关键词：
图神经网络;集成学习;特征相似图;节点分类
中图分类号：
作者姓名：
张嘉杰;过弋;王家辉;王雨
作者机构：
华东理工大学 信息科学与工程学院,上海200237;大数据流通与交易技术国家工程实验室 商业智能与可视化技术研究中心,上海200436;上海大数据与互联网受众工程技术研究中心,上海200072
文献出处：
引用格式：
[1]张嘉杰;过弋;王家辉;王雨-.基于特征和结构信息增强的图神经网络集成学习框架)[J].计算机应用研究,2022(03):668-674
A类：
特征相似图
B类：
结构信息,信息增强,图神经网络,网络集成,集成学习框架,推理能力,模型局限性,学习思想,网络创新,EL,GNN,和图像,图像数据,图数据,特征信息,拓扑结构,基分类器,外补,邻居节点,先验,特征图,集成策略,略取,节点分类,分类任务,现有模型
AB值：
0.418289
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。
