-
题名随时间持续演化的流图神经网络
- 1
-
-
作者
郭虎升
张旭飞
孙玉杰
王文剑
-
机构
山西大学计算机与信息技术学院
计算智能与中文信息处理教育部重点实验室(山西大学)
-
出处
《计算机科学》
北大核心
2025年第8期118-126,共9页
-
基金
国家自然科学基金(62276157,U21A20513,62476157,62076154,61503229)
山西省重点研发计划(202202020101003)。
-
文摘
流图在现实应用中广泛存在,其节点特征和结构特征会随时间推移而动态变化。尽管图神经网络在静态图节点分类中表现卓越,但其难以直接应用于流图,流图的持续演化会导致信息滞后和遗漏问题,所以模型难以准确提取流图特征。针对上述挑战,提出了一种随时间持续演化的流图神经网络(Continuously Evolution Streaming Graph Neural Network,CESGNN),以解决流图节点分类问题。该方法首先通过持续更新的图卷积网络(Continuous Updates Graph Convolutional Network,CU-GCN)增量地更新参数,以适应流图节点特征的变化,缓解信息滞后问题,然后自适应扩展的图神经网络(Adaptive Deepening Graph Neural Network,AD-GNN)通过将聚合和更新操作解耦,以挖掘流图深层特征,从而缓解信息遗漏问题。CESGNN通过有机地融合原始特征、CU-GCN提取的浅层特征和AD-GNN提取的深层特征,获得更准确、全面的流图特征表示。实验结果表明,CESGNN模型对流图具有良好的适应性和稳定性,提高了流图节点分类的准确率。
-
关键词
流图
图神经网络
增量更新
聚合与更新解耦
特征融合
-
Keywords
Streaming graphs
Graph Neural Networks
Incrementally updating
Decoupling aggregation and update
Feature fusion
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
