科研之友
微信
新浪微博
Facebook
分享链接
摘要
图卷积网络（GCNs）通过迭代堆叠多层卷积聚合操作来学习节点的表示，在许多图学习的任务中显现出强大的潜力。但是，由于图卷积运算的过度平滑效应，大多数基于GCN的模型无法对深层进行建模。此外，实际应用中往往会有许多噪声数据，在深层建模时会极大地干扰GCN的节点分类性能。为了解决上述问题，本文提出了一种结合残差网络和噪声处理的节点分类模型（NHGCN）。针对噪声节点，模型使用自适应的残差处理方法并修改了范数约束，提高了对噪声节点的修正能力。针对过度平滑问题，模型利用残差映射优化图卷积的信息传播，缓解了图卷积聚合操作中的梯度消失问题，保留了节点独特性，增强了节点分类效果。在Cora，Citeseer，Pubmed三个公开数据集上进行了训练和测试，实验结果表明：相较于现有的节点分类模型，本文模型实现了更优的处理过平滑效果和抗噪性能。
- 单位
