Shanxi大学在调查图形神经网络方面取得了重要进

6月3日，记者从上海大学获悉，学校的智能信息处理团队最近在调查图形神经网络方面取得了重大进步。相关结果发表在人工智能领域的国际杂志IEEE Medis和机器智能上。图神经网络（GNN）是图形结构数据处理的当前中央技术，广泛用于社交网络分析，生物信息处理，物理建模和其他领域。但是，其性能很大程度上取决于注释节点的质量和数量，在实际情况下，标签通常便宜的恢复便宜。从这个意义上讲，研究团队已经为多通道图形建立了一个自动控制学习模型。当引入“特征分离”的机制时，可以实现多个自我监控信号的精细建模和融合，从而有效改善t他在半米节点的分类任务中的鲁棒性和概括性的能力。与以前的自我控制自我控制策略不同，新方法将节点的表示分为两个部分：“共享”和“补充”，并施加一致性限制，重建限制和对齐限制，这使模型可以有效地分开不同的渠道（拓扑，潜在的结构和潜在结构和潜在结构）。我们在信号的协调和融合中描述了新模型的能力，以及通过相互信息理论进行自我监控的多种迹象。在实验验证了多个标准数据集之后，我们发现新方法明显好于EL当前节点的精确方法，尤其是在标签关系低于1％的极端条件下。