• 中国计算机学会会刊
  • 中国科技核心期刊
  • 中文核心期刊

计算机工程与科学 ›› 2023, Vol. 45 ›› Issue (12): 2274-2280.

• 人工智能与数据挖掘 • 上一篇    

基于元学习和图滤波器的节点分类研究

王英1,2,陈文祺1,韩耀郴1   



  • 收稿日期:2022-10-27 修回日期:2023-01-20 接受日期:2023-12-25 出版日期:2023-12-25 发布日期:2023-12-14
  • 基金资助:
    国家自然科学基金(62272191,61976103,61872161);吉林省重点攻关项目 (20220201153GX)

Node classification research based on meta-learning and graph filter

WANG Ying1,2,CHEN Wen-qi1,HAN Yao-chen1   

  1. (1.吉林大学计算机科学与技术学院,吉林 长春 130012;
    2.吉林大学符号计算与知识工程教育部重点实验室,吉林 长春  130012)

  • Received:2022-10-27 Revised:2023-01-20 Accepted:2023-12-25 Online:2023-12-25 Published:2023-12-14

摘要: (1.College of Computer Science and Technology,Jilin University,Changchun 130012;
2.Key Laboratory of Symbol Computation and Knowledge Engineering of 
Ministry of Education,Jilin University,Changchun 130012,China)

Abstract: 深度学习在提取数据特征方面取得了巨大的成功,尤其是在处理节点间关系信息丰富的图数据时,通过在频域上使用图滤波器进行图卷积操作,设计出了多种图神经网络。这些图神经网络主要关注设计固定的滤波器或学习简单的滤波器,但这种对滤波器的简化可能会导致滤波器不能适用于所有的图数据。为了解决上述问题,提出了一种基于元学习和图滤波器的节点分类模型MGCN,以提高图滤波器的普适性。模型利用元学习为图卷积神经网络(GCN)的滤波器学习了一组初始化权重,在对滤波器的权重进行微调之后,模型可以快速地适应新任务。为了验证MGCN的有效性,在6个基线数据集上进行了大量实验。实验结果表明,提出的模型相比于传统图神经网络模型可以适用于更加广泛的图数据。

Key words: 元学习, 图神经网络, 图滤波器, 节点分类

中图分类号: