【图神经网络】图分类学习研究综述[2]:基于图神经网络的图分类

本文深入探讨了基于图神经网络(GNN)的图分类方法,重点分析了图卷积和池化操作在处理非欧数据时的挑战。文章指出,信息传递式和CNN式卷积在图分类中有不同优势,但现有方法仍面临表达能力和计算复杂度的问题。此外,针对节点的硬分配和软分配池化策略也被讨论,强调了选择合适池化方法对图分类效果的影响。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

基于GNN的图分类学习研究综述[2]:基于图神经网络的图分类

论文阅读:基于GNN的图分类学习研究综述

软件学报:图分类研究综述
摘要:本文首先给出图分类问题的定义和该领域的挑战;然后梳理分析了两类图分类方法——基于图相似度计算的图分类方法和基于图神经网络的图分类方法;接着给出了图分类方法的评价指标、常用数据集和实验结果对比;最后介绍了图分类常见的实际应用场景,展望了图分类领域的未来研究方向并对全文进行总结。

关键词:图分类、图核、图卷积;图池化;图神经网络


3. 基于图神经网络的图分类

基于图核方法通常依赖于一组固定特征,其特征表示难以有效地适应于新的数据分布。本文重点关注基于图神经网络的图分类方法,这类方法通过端到端的方式进行模型的优化学习,为图分类的准确率带来了较大的提升。

应用于图像分类任务的传统卷积神经网络,主要包括卷积和池化两个操作,这两个操作依赖于图像数据的结构规则性和平移不变性。但不同于图像数据,图数据是非欧数据,同一个数据集中的每个图大小不同,结构不一。图中的每个节点也具有不同的局部结构

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

镰刀韭菜

看在我不断努力的份上,支持我吧

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值