AITOP
论文

LCC：利用高阶标签连通性提升异配图节点分类性能

Graph Neural Network leveraging Higher-order Class Label Connectivity for Heterophilous Graphs

arXiv cs.AI@Takuto Takahashi, Itsuki Nakayama, Takahiro Mitani, Ryosuke Kikuchi, Yuya Sasaki, Makoto Onizuka学术论文
阅读原文
精选理由

异配图分类是GNN的长期痛点，LCC用高阶标签连通性解决了这个问题，做图分析或社交网络研究的开发者可以直接参考实验方法。

AI 摘要

图神经网络在同配图上表现优异，但在异配图（不同类节点更易相连）上性能受限。现有GNN无法捕捉异配图中常见的高阶类标签连通性。研究者提出标签上下文分类器（LCC），通过四种随机游走生成标签上下文嵌入，捕获高阶标签连通性。LCC可与任意GNN集成，并自适应学习其重要性。实验表明，集成LCC的GNN在异配有向图上超越现有方法。

AI 翻译 · 中文

图神经网络在同配图上表现优异，但在异配图（不同类节点更易相连）上性能受限。现有GNN无法捕捉异配图中常见的高阶类标签连通性。研究者提出标签上下文分类器（LCC），通过四种随机游走生成标签上下文嵌入，捕获高阶标签连通性。LCC可与任意GNN集成，并自适应学习其重要性。实验表明，集成LCC的GNN在异配有向图上超越现有方法。

arXiv cs.AINode classification in graph neural networks (GNNs) has been widely applied in various fields of graph analysis. GNNs achieve high-accuracy node classification in homophilous graphs, where nodes with the same class label…
#图神经网络#异配图#节点分类#高阶标签连通性#随机游走
阅读原文
← 返回首页看更多 AI 资讯