Resumen

Con la información de vecindad de orden superior de una red de grafos, se puede mejorar significativamente la precisión de la clasificación del aprendizaje de la representación de grafos. Sin embargo, las actuales redes convolucionales de grafos de orden superior tienen un gran número de parámetros y una alta complejidad computacional. Por lo tanto, proponemos un modelo de aprendizaje híbrido de redes convolucionales de grafos de orden inferior y superior (HLHG), que utiliza un mecanismo de reparto de pesos para reducir el número de parámetros de la red. Para reducir la complejidad computacional, proponemos una nueva capa de fusión de información para combinar la información de la matriz de vecindad de alto y bajo orden. Comparamos teóricamente la complejidad computacional y el número de parámetros del modelo propuesto con los de otros modelos de última generación. Experimentalmente, verificamos el modelo propuesto en conjuntos de datos de redes de texto a gran escala utilizando aprendizaje supervisado y en conjuntos de datos de redes de citación utilizando aprendizaje semisupervisado. Los resultados experimentales muestran que el modelo propuesto logra una mayor precisión de clasificación con un pequeño conjunto de parámetros de peso entrenables.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:modelo propuesto, número de parámetros, grafo de orden, red convolucional, complejidad computacional, número de red, alta complejidad computacional, fusión de información novedosa, parámetros de peso entrenables, conjuntos de datos de redes de texto
• Keywords:proposed model, number of parameters, order graph, convolutional network, computational complexity, number of network, high computational complexity, novel information fusion, trainable weight parameters, text network datasets