Resumen

La red convolucional de grafos (GCN) es una red eficaz para aprender representaciones grficas. Sin embargo, aprender las relaciones de interaccin de alto orden de los nodos vecinos resulta costoso. En este artculo, proponemos un nuevo modelo convolucional de grafos para aprender y fusionar relaciones de informacin entre vecinos de varios saltos. Adoptamos el mecanismo de reparto de pesos para disear convoluciones de grafos de distinto orden con el fin de evitar posibles problemas de sobreajuste. Adems, diseamos un nuevo operador de fusin de informacin de vecinos multisalto (MIF) que mezcla diferentes caractersticas de vecinos de 1 salto a -hops. Analizamos tericamente la complejidad computacional y el nmero de parmetros entrenables de nuestros modelos. Los experimentos con redes de texto demuestran que los modelos propuestos ofrecen un rendimiento superior al de las GCN de texto.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Eficiente; Red convolucional gráfica; Relaciones de información entre vecinos multisalto; Mecanismo de reparto de pesos; Operador de fusión de información entre vecinos multisalto; Complejidad computacional
• Keywords:Efficient; Graph convolutional network; Multihop neighbor information relationships; Weight-sharing mechanism; Multihop neighbor information fusion operator; Computational complexity