Réseau de neurones de graphe conscient des caractéristiques de structure hiérarchique pour la classification des nœuds

Au cours des dernières années, les réseaux de neurones de graphe ont été utilisés pour traiter les données de graphe et ont été appliqués avec succès à la tâche de classification des nœuds de graphe. En raison de la complexité de la structure du graphe et de la difficulté d'obtenir des étiquettes de nœud, la classification des nœuds dans des ensembles de données avec moins d'étiquettes devient un défi. Les problèmes de classification des nœuds existants avec des ensembles de données de nœuds à peu d'étiquettes utilisent généralement des schémas d'agrégation de voisins. Cependant, ces méthodes manquent du « mécanisme de pooling de graphe », ce qui rend ces modèles impossibles à exploiter pleinement les informations globales du graphe. Pour résoudre ce problème, nous proposons un modèle de Réseau de Neurones de Graphe conscient des caractéristiques de structure hiérarchique (HSFGNN). Le modèle apprend les caractéristiques des nœuds par un mécanisme hiérarchique qui utilise de manière répétée des méthodes de grossissement et de raffinement à différents niveaux. Tout d'abord, nous utilisons les informations topologiques, les caractéristiques des nœuds et la connectivité du graphe pour construire une partie de grossissement intuitive et efficace basée sur la technologie d'analyse multivariable. Deuxièmement, nous agrégeons les caractéristiques des nœuds non sélectionnés dans les top-k nœuds, de sorte que les nœuds plus grossiers contiennent des informations de graphe valides plus abondantes. Enfin, nous proposons un mécanisme d'attention supplémentaire pour obtenir des représentations finales des nœuds plus précises. Les résultats expérimentaux montrent que le modèle HSFGNN atteint une précision de classification exceptionnelle sur l'ensemble de données avec moins de données étiquetées.