2023
, Scopus
Article
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.