基于高斯秩的图神经网络邻域度量用于图像分类
计算机视觉与模式识别
2026-05-26 v1 机器学习
摘要
数据指数级增长加剧了未标记数据与人工标注高成本之间的差距。图神经网络 (GNN) 作为一种新兴解决方案，因其利用关系结构并从标记和未标记数据中学习，成为半监督学习的热门选择。许多此类模型的关键组成部分是基于度的归一化，其影响信息传递，但通常假设邻居节点的重要性是均等的。在图像分类中，图通常由特征相似性构建，其中对所有邻居节点等重要性处理可能忽略相关性的重要差异。以此为动机，我们提出 GRaNDe (基于高斯秩的邻域度)，该新型度量将邻域排序与高斯距离加权相结合，以更好地捕获节点重要性。实验在五个公开图像分类数据集上表明，GRaNDe consistently 地提高了准确率，并在与 SOTA 方法中表现出竞争力或优异的结果。
引用
@article{arxiv.2605.24367,
title = {Gaussian Rank-Based Neighborhood Degree for Graph Neural Networks in Image Classification},
author = {Rafael Mendonça Duarte and Jean Roberto Ponciano and Lucas Pascotti Valem},
journal= {arXiv preprint arXiv:2605.24367},
year = {2026}
}