Réseaux de convolution graphique hiérarchiques pour la classification semi-supervisée des nœuds

Les réseaux de neurones convolutionnels sur graphes (GCNs) ont été appliqués avec succès dans les tâches de classification de nœuds en minage de graphes. Cependant, la plupart de ces modèles basés sur l'agrégation des voisins sont généralement peu profonds et manquent d'un mécanisme de « pooling de graphe », ce qui empêche le modèle d'obtenir une information globale adéquate. Pour augmenter le champ récepteur, nous proposons un nouveau réseau de neurones convolutionnels hiérarchique profond (H-GCN) pour la classification semi-supervisée des nœuds. L'H-GCN agrège d'abord répétitivement des nœuds structurellement similaires en hyper-nœuds, puis affine le graphe grossier au graphe original pour restaurer la représentation de chaque nœud. Au lieu d'agréger simplement les informations du voisinage à un ou deux sauts, la procédure de grossissement proposée élargit le champ récepteur de chaque nœud, permettant ainsi une meilleure capture d'informations globales. Le modèle H-GCN proposé montre des performances empiriques robustes sur divers ensembles de données graphiques publiques, surpassant les méthodes les plus avancées et obtenant jusqu'à 5,9 % d'amélioration en termes de précision. De plus, lorsque seulement quelques échantillons étiquetés sont fournis, notre modèle réalise des améliorations substantielles.