软件学报

作者：徐立祥，许巍，陈恩红，罗斌，唐远炎

单位：徐立祥，合肥大学 人工智能与大数据学院, 安徽 合肥 230601;中国科学技术大学 计算机科学与技术学院, 安徽 合肥 230027;认知智能全国重点实验室, 安徽 合肥 23008811,许巍，合肥大学 人工智能与大数据学院, 安徽 合肥 23060102,陈恩红，中国科学技术大学 计算机科学与技术学院, 安徽 合肥 230027;认知智能全国重点实验室, 安徽 合肥 23008803,罗斌，安徽大学 计算机科学与技术学院, 安徽 合肥 23060104,唐远炎，澳门大学 珠海澳大科技研究院, 澳门 99907805

关键词：图分类;结构熵;图核;消息传递聚合;图神经网络

基金：国家自然科学基金(62176085,62172458);国家自然科学基金区域(安徽)联合基金(U20A20229)

图神经网络(graph neural network, GNN)是一种利用深度学习直接对图结构数据进行表征的框架, 近年来受到人们越来越多的关注. 然而传统的基于消息传递聚合的图神经网络(messaging passing GNN, MP-GNN)忽略了不同节点的平滑速度, 无差别地聚合了邻居信息, 易造成过平滑现象. 为此, 研究并提出一种线性结构熵的图核神经网络分类方法, 即KENN. 它首先利用图核方法对节点子图进行结构编码, 判断子图之间的同构性, 进而利用同构系数来定义不同邻居间的平滑系数. 其次基于低复杂度的线性结构熵提取图的结构信息, 加深和丰富图数据的结构表达能力. 通过将线性结构熵、图核和图神经网络三者进行深度融合提出了图核神经网络分类方法. 它不仅可以解决生物分子数据节点特征的稀疏问题, 也可以解决社交网络数据以节点度作为特征所产生的信息冗余问题, 同时还使得图神经网络能够自适应调整对图结构特征的表征能力, 使其超越MP-GNN的上界(WL测试). 最后, 在7个公开的图分类数据集上实验验证了所提出模型的性能优于其他的基准模型.

来源：2024年第5期

《软件学报》期刊编辑部

查看软件学报杂志2024年第5期