Hierarchische Graphenkonvolutionalnetze für die semi-überwachte Klassifizierung von Knoten

Graph Convolutional Networks (GCNs) wurden erfolgreich in Klassifizierungsaufgaben des Netzwerkminings eingesetzt. Dennoch fehlt den meisten dieser auf Nachbarschaftsaggregation basierenden Modelle eine „Graph-Pooling“-Mechanismus, was das Modell daran hindert, ausreichende globale Informationen zu gewinnen. Um das Rezeptivfeld zu erweitern, schlagen wir ein neues tiefes hierarchisches Graph Convolutional Network (H-GCN) für die semi-überwachte Klassifizierung von Knoten vor. Das H-GCN aggregiert zunächst strukturell ähnliche Knoten wiederholt zu Hyperknoten und verfeinert dann das vergröberte Graph zurück zum Original, um die Darstellung jedes Knotens wiederherzustellen. Anstatt lediglich Information aus der direkten oder zweiten Nachbarschaft zu aggregieren, erweitert der vorgeschlagene Vergröberungsprozess das Rezeptivfeld für jeden Knoten, wodurch mehr globale Informationen erfasst werden können. Das vorgeschlagene H-GCN-Modell zeigt starke empirische Leistungen bei verschiedenen öffentlichen Benchmark-Graphdatensätzen und übertrifft dabei die Standesder-Kunst-Methoden, wobei es bis zu 5,9 % Verbesserung in Bezug auf die Genauigkeit erreicht. Zudem erzielt unser Modell bei der Bereitstellung nur weniger beschrifteter Stichproben erhebliche Verbesserungen.请注意，这里有一些细节需要澄清：1. "Receptive field" 在德语中通常翻译为 "Rezeptivfeld"，这是神经网络中的一个术语，指每个节点可以接收信息的范围。2. "State-of-the-art methods" 翻译为 "Standesder-Kunst-Methoden"，这是指当前最先进的方法。不过在德语中更常见的表达是 "Stand der Kunst" 或者 "state-of-the-art Methoden"（保留英文）。3. "Labeled samples" 翻译为 "beschriftete Stichproben"，指的是带有标签的样本。根据这些细节，上述翻译已经尽量保持了专业性和准确性。如果有任何特定的术语偏好或者进一步的要求，请告知。