科研之友
微信
新浪微博
Facebook
分享链接
摘要
超图直推学习模型是机器学习领域研究热点.超图模型的性能取决于构造的超图结构及其Laplacian矩阵的质量.现有超图模型基于单一超图结构，信息表达能力有限.本文提出超图结构扩张法，将异构超图的关联矩阵和权重矩阵拼接，融合更多的顶点间全局高阶信息，增加Markov随机游走的扩散范围.但这会导致矩阵维度高，计算开销大.因此进一步提出多通道Laplacian矩阵融合法，用多个通道计算异构超图结构各自的Laplacian矩阵，再加权累加.在4个数据集上的实验表明，两种方法都能提高超图直推学习模型的分类性能，且Laplacian矩阵融合法比结构扩张法平均节约40%左右时间成本，F1指标最高提升8.4%.
- 单位
