多光谱注意力和图表平滑性增强用于通用节点分类的通用节点分类

科学领域:

• 图形神经网络的神经网络
• 谱图理论 谱图理论
• 机器学习 机器学习

背景情况:

• 现有的光谱图神经网络 (GNN) 由于固定的多项式基础和预定义的传播机制而面临限制.
• 这些局限性阻碍了适应现实世界的图形,具有复杂的光谱性质和不同水平的同类性.

研究的目的:

• 提出UniSpecAR,一个统一的光谱自适应表示框架,以克服当前光谱GNN的局限性.
• 引入适应性机制,以动态构建,融合和平衡光谱和空间信息.

主要方法:

• 开发了一种新的克里洛夫多基波器,用于动态构建和融合跨多种频率子空间的信息.
• 实施了并行扩散通道,并配备了适应性融合的通道级注意力机制.
• 引入了一个空间光谱关机制,以平衡光谱特征与局部拓结构.
• 整合了光谱一致性调节器,以确保过器的稳定性和结构忠实性,通过惩罚复杂性和偏离局部拓.

主要成果:

• 在多个基准指标上,UniSpecAR显著优于最先进的GNN,在同型和异型图表上都表现出有效性.
• 适应性多基设计和融合机制增强了光谱表达力.
• 该框架为学习的光谱特征提供了有价值的可解释性.

结论:

• UniSpecAR提供了一种统一且适应性的方法,用于GNN中的光谱表示.
• 提出的方法有效地解决了复杂的图形结构和变化的同类性所带来的适应性挑战.
• 该框架展示了卓越的性能和可解释性,推进了光谱GNN领域.