图神经网络（二十七）Disentangled Graph Convolutional Networks，ICML2019
最新推荐文章于 2025-06-13 16:51:21 发布
五月的echo
最新推荐文章于 2025-06-13 16:51:21 发布
阅读量1.3k
收藏
1
点赞数
1
CC 4.0 BY-SA版权
分类专栏：
GNN Model
文章标签：
图神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36618444/article/details/120401512
GNN Model
专栏收录该内容
30 篇文章
¥19.90
¥99.00
订阅专栏
超级会员免费看
本文提出DisenGCN，一种用于图神经网络的模型，学习解纠缠的节点表示。通过动态邻域路由机制，识别并分配节点的潜在影响因子，实现信息传递的解耦合。实验证明，DisenGCN在处理存在多个纠缠因素的数据时表现出显著性能提升，特别是在多标签分类任务中。
Introduction
本文旨在研究从GNN的传播过程中解耦影响邻居信息传递的潜在因子，引入了解纠缠图卷积网络(DisenGCN)来学习解纠缠节点表示。此外，提出了一种新的邻域路由机制，该机制能够动态地识别可能导致节点与其某个邻域之间产生边缘的潜在因素，并据此将该邻域分配给一个信道，该信道提取并卷积特定于该因素的特征。从理论上证明了路由机制的收敛性。实验结果表明，我们提出的模型可以获得显著的性能增益，特别是当数据显示存在许多纠缠因素时。 可以以推荐系统中例子说明潜在因子是什么。比如，当用户节点uuu