基于稀疏图形的动态注意力网络.
Runze Chen1, Kaibiao Lin1, Binsheng Hong1
1Department of Computer Science and Technology, Xiamen University of Technology, Xiamen, 361024, China.
Heliyon
|December 17, 2024
概括
稀疏图形动态注意网络 (SDGAT) 减少现实世界的图形数据中的噪声. 这种新的方法提高了节点分类的准确性,优于引用数据集的现有模型.
科学领域:
- 图形神经网络的神经网络
- 机器学习 机器学习
- 数据挖掘 数据挖掘
背景情况:
- 图形神经网络 (GNN) 传统上假设清洁的图形结构.
- 现实世界的图形数据集往往含有噪音,影响下游任务性能.
- 现有的GNN正在与杂的图形数据和复杂的网络干扰作斗争.
研究的目的:
- 引入稀疏图形动态注意网络 (SDGAT) 来解决图形数据中的噪声.
- 开发一个模型,生成稀疏的图表表示,并过不相关的信息.
- 增强特征聚合并提高噪音图的节点分类准确性.
主要方法:
- 采用L0规范化用于稀疏图表表示,有效消除噪声.
- 整合一个动态的注意力机制,专注于突出节点和边缘.
- 在三个引用数据集上进行实验,以评估SDGAT的性能.
主要成果:
- 在Cora数据集上的节点分类中,SDGAT实现了85.29%的准确性.
- 与大多数基线模型相比,表现出~3%的性能改善.
- 在所有三个测试的引用数据集中展示了有效的性能.
结论:
- SDGAT通过稀疏的表示和动态的注意力有效地处理现实世界的图形数据中的噪声.
- 拟议的模型显著提高了节点分类的准确性.
- SDGAT为分析复杂和杂的图形结构提供了强大的解决方案.
