基于 Cora 和 Pubmed 数据集的图注意力专家融合节点分类模型
机器学习
2026-01-13 v2
摘要
图节点分类是图神经网络 (GNN) 中的基本任务，旨在为节点分配预定义类别标签。在 Pubmed 引用网络数据集上，我们观察到分类难度存在显著差异，类别 2 在传统 GCN 中仅实现 74.4% 的准确率，比类别 1 低 7.5%。为此，我们提出了增强 Wasserstein-Rubinstein (WR) 距离的专家融合模型 (WR-EFM)，为类别 0/1 训练具有层归一化和残差连接的专用 GNN 模型，为类别 2 使用多跳图注意力网络 (GAT)。WR 距离度量标准优化模型之间的表示相似性，尤其关注提升类别 2 的性能。我们的自适应融合策略根据类别特定性能动态调整模型权重，类别 2 被赋予 GAT 权重为 0.8。WR 距离进一步通过衡量模型表示之间的分布差异，引导融合过程，实现更原则化的特征整合。实验结果表明，WR-EFM 在各类别准确率实现均衡：类别 0 为 77.8%，类别 1 为 78.0%，类别 2 为 79.9%，超越单一模型和标准融合方法。WR-EFM 类别准确率的变异系数 (CV) 为 0.013，仅为 GCN 的 0.058 的 77.6%，显示出卓越的稳定性。值得注意的是，WR-EFM 将类别 2 的准确率提高了 5.5%，验证了 WR 指导下的融合在捕捉复杂结构模式方面的有效性。本工作提供了一种处理类别不平衡图分类任务的新范式。为促进研究社区发展，我们在 https://github.com/s010m00n/GASEM4NC 上发布了项目。
引用
@article{arxiv.2507.15784,
title = {Graph Attention Specialized Expert Fusion Model for Node Classification: Based on Cora and Pubmed Datasets},
author = {Zihang Ma and Qitian Yin},
journal= {arXiv preprint arXiv:2507.15784},
year = {2026}
}
备注
It's written so poorly, my bad