基于子图素描的图卷积网络半监督节点分类
机器学习
2024-04-26 v2
摘要
在本文中，我们通过引入对偶卷积层和图学习层，基于经典的图卷积神经网络（GCN）提出了一种称为 GLDGCN 的图学习对偶图卷积神经网络。我们将 GLDGCN 应用于半监督节点分类任务。与基线方法相比，我们在三个引文网络 Citeseer、Cora 和 Pubmed 上取得了更高的分类准确率，并分析和讨论了超参数和网络深度的选择。GLDGCN 在经典社交网络 KarateClub 和新的 Wiki-CS 数据集上也表现良好。针对实验中算法处理大图能力不足的问题，我们还将子图聚类和随机梯度下降方法引入 GCN，并设计了一种基于聚类图卷积神经网络的半监督节点分类算法，使 GCN 能够处理大图并提升了其应用价值。我们在两个经典大图 PPI 数据集（超过 50,000 个节点）和 Reddit 数据集（超过 200,000 个节点）上完成了半监督节点分类实验，同样取得了良好的表现。
引用
@article{arxiv.2404.12724,
title = {Graph Convolutional Network For Semi-supervised Node Classification With Subgraph Sketching},
author = {Zibin Huang and Jun Xian},
journal= {arXiv preprint arXiv:2404.12724},
year = {2024}
}
备注
20 pages, 12 figures, Summitted to ICPP 2024