2023
IEEE Transactions on Artificial Intelligence, Scopus
Статьи в журналах
Vol. 1. (01). Pp. 1-13. eISSN: 2691-4581
Li Z.P., Su H.L., Wu Y., Zhang Q.H., Yuan C.A., Gribova V., Filaretov V.F., Huang D.S. Hierarchical Multi-view Top-k Pooling with Deep Q-networks // IEEE Transactions on Artificial Intelligence. 2023. Vol. 1. (01). Pp. 1-13. eISSN: 2691-4581. DOI Bookmark: 10.1109/TAI.2023.3334261.
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.