通过颗粒球实现多粒度图细化以进行图分类

《Neurocomputing》:Multi-granularity graph refinement via granular ball for graph classification

【字体: 大 中 小 】 时间:2026年04月21日 来源:Neurocomputing 6.5

编辑推荐:

  MGGR方法通过多粒度图分解和层次化编码器提升图分类性能,实验验证其在准确性和效率上的优势。

  
倪金源|夏淑银|关一凡|徐高杰|陈龙|刘毅|王毅
重庆邮电大学计算机科学与技术学院,中国重庆

章节摘要

图分类

图分类方法已经取得了显著的发展,重点在于捕捉图中固有的复杂结构和属性。早期的方法提取了预定义的子结构(如路径和树),并基于成对相似性计算核函数。这些方法为通过手工制作的子结构和特征来理解图关系奠定了基础。Neumann等人[24]描述的传播核通过监控图中的相似性来衡量图之间的相似性。

多粒度图细化(MGGR)方法

图2展示了MGGR方法的总体框架,该方法包括多粒度图分解(MGGD)和层次化粒度图(HGG)编码器。MGGD过程首先对图进行粗粒度粒度球的初始化,然后在图分解过程中进行细粒度的二分分割。具体来说,图首先被初始化为一个粗粒度粒度球,然后根据节点属性通过细粒度的二分分割进行自适应分解。

实验

在本节中,我们设计了实验来评估我们的MGGR方法并解决各种研究问题(RQs):
  • •
    RQ1: 我们的方法与现有技术相比是否具有更好的性能?
  • •
    RQ2: 关键组件对MGGR的整体性能有哪些贡献?
  • •
    RQ3: 超参数如何影响MGGR的性能?
  • •
    RQ4: MGGR对不同水平的标签噪声有多强的鲁棒性?这是现实世界图中常见的挑战。
  • •
    RQ5: MGGR在特定案例研究中的表现如何?

结论

总之,MGGR方法通过捕捉图中子域的粒度特征显著提高了图分类的性能。粒度球计算和层次化编码使MGGR能够将图分解为多个层次,从而更细致地理解局部和全局结构。这种方法实现了更高的分类准确性和效率,在各种数据集上始终优于最近的技术。
在未来的工作中,我们计划将MGGR方法进行扩展。

CRediT作者贡献声明

倪金源:撰写 – 审稿与编辑、撰写 – 原稿、可视化、验证、软件、方法论、形式分析、数据管理。
夏淑银:软件、方法论、研究调查、资金获取、形式分析。 关一凡:撰写 – 原稿、方法论。 徐高杰:撰写 – 原稿、方法论、数据管理。 陈龙:软件、研究调查、形式分析。 刘毅:软件、资源支持。 王毅:资源支持。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

我们衷心感谢所有为完成这项工作付出努力和奉献的人。本研究部分得到了中国国家自然科学基金(项目编号:62222601、62176033、62221005和61936001)、重庆市教育委员会的关键合作项目(项目编号:HZ2021008)以及重庆市教育委员会的科学技术研究计划的支持。
倪金源于2023年获得中国重庆工业大学的硕士学位。他目前在中国重庆邮电大学计算机科学与技术学院攻读博士学位。他的研究兴趣包括数据挖掘和图表示学习。他曾获得国家奖学金,并领导了重庆研究生创新项目。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号