RSEA-MVGNN：具有可靠结构增强与聚合的多视图图神经网络
机器学习
2026-05-18 v1
摘要
图神经网络（GNN）在从多视图图数据学习中表现出显著功效。在多视图图神经网络的框架中，一个关键挑战在于有效组合不同的视图，其中每个视图具有不同的图结构特征（GSFs）。现有方法主要关注两个方面：1）优先选择最重要的 GSFs，2）利用 GNN 进行特征聚合。然而，优先选择最重要的 GSFs 可能导致特征多样性有限，而现有的基于 GNN 的聚合策略不加区分地对待每个视图而未考虑视图质量。为了解决这些问题，我们提出了一种新型的多视图图神经网络——具有可靠结构增强与聚合的 RSEA-MVGNN。首先，我们利用主观逻辑估计视图特定的不确定性。基于这种不确定性，我们通过特征去相关算法设计可靠的结构增强。该方法使每个增强聚焦于不同的 GSFs，从而在增强结构中实现多样化的特征表示。其次，该模型将视图特定的信念和不确定性学习为观点，用于评估视图质量。基于这些观点，模型使高质量视图主导 GNN 聚合，从而促进表示学习。在五个真实数据集上进行的实验结果表明，RSEA-MVGNN 优于多种最先进的基于 GNN 的方法。
引用
@article{arxiv.2408.07331,
title = {RSEA-MVGNN: Multi-View Graph Neural Network with Reliable Structural Enhancement and Aggregation},
author = {Junyu Chen and Long Shi and Badong Chen},
journal= {arXiv preprint arXiv:2408.07331},
year = {2026}
}