2024
Грибова В. В., Филаретов В. Ф., Li Z.P., Su H.L., Wu Y., Zhang Q.H., Yuan C.A., Huang D.
IEEE Transactions on Artificial Intelligence, Scopus
Li Z.P., Su H.L., Wu Y., Zhang Q.H., Yuan C.A., Gribova V., Filaretov V.F., Huang D.S. Hierarchical Multiview Top-k Pooling with Deep-Q-networks // IEEE Transactions on Artificial Intelligence. 2024. Vol. 5, no. 6. Pp. 2985-2996. eISSN: 2691-4581. DOI: 10.1109/TAI.2023.3334261.
Vol. 5, no. 6. Pp. 2985-2996. eISSN: 2691-4581
Статьи в журналах
Графовые нейронные сети (GNNS) являются расширениями глубоких нейронных сетей для данных, структурированных графами. Они уже привлекли широкое внимание к различным задачам, таким как классификация узлов и предсказание связей. Существующие исследования больше сосредоточены на графовых сверточных нейронных сетях (GCNS). Однако обычно упускается из виду, что объединение графов в пул может получить графические представления путем суммирования и понижающей выборки информации об узлах. Между тем, существующие методы объединения графов в пул в основном используют top-k для выбора узлов, но большинство из них учитывают только информацию об одном просмотре при оценке узлов, а значения k в top-k обычно выбираются эмпирически. В этой работе предлагается иерархическое многовидовое объединение Top-k с глубокими Q-сетями (HMTPool), которое оценивает узлы с учетом информации о многопрофильном просмотре (учитывая структуру и особенности графа) и не полагается на эмпирический адаптивный выбор наилучшего значения k. HMTPool - это двухэтапный процесс. Сначала он использует варианты GCN и MLP для оценки узлов с точки зрения структуры и характеристик, соответственно, а затем выполняет операции слияния с оценками информации о нескольких видах узлов. Кроме того, для выбора оптимального коэффициента объединения top-k мы предлагаем основанный на глубокой Q-сети метод выбора узла Top-k (DTop-k), который может адаптивно выбирать наилучший коэффициент объединения без предварительного знания. Экспериментальные результаты на шести наборах данных TUDatasets и двух тестовых наборах данных GNNs демонстрируют эффективность предложенного нами подхода.