Fusion de structures basée sur les réseaux de neurones convolutifs graphiques pour la classification semi-supervisée

Face à la diversité et à la complexité des données multivues pour la classification semi-supervisée, la plupart des réseaux de neurones convolutifs sur graphe existants se concentrent sur la construction de l'architecture des réseaux ou sur la préservation de la structure graphique saillante, et négligent la contribution de la structure graphique complète à la classification semi-supervisée. Pour extraire une structure de distribution plus complète des données multivues en tenant compte de leur spécificité et de leur communautarité, nous proposons une fusion structurale basée sur les réseaux de neurones convolutifs sur graphe (SF-GCN) afin d'améliorer les performances de la classification semi-supervisée. L'SF-GCN peut non seulement conserver les caractéristiques spécifiques de chaque vue des données par le biais du plongement spectral, mais aussi capturer le style commun des données multivues grâce à une métrique de distance entre les structures graphiques multivues. En supposant une relation linéaire entre les structures graphiques multivues, nous pouvons construire la fonction d'optimisation du modèle de fusion structurale en équilibrant les pertes de spécificité et de communautarité. En résolvant cette fonction, nous pouvons simultanément obtenir le plongement spectral fusionné à partir des données multivues et la structure fusionnée sous forme de matrice d'adjacence pour être utilisée en entrée des réseaux de neurones convolutifs sur graphe pour la classification semi-supervisée. Les expériences montrent que les performances de l'SF-GCN surpassent celles des méthodes actuelles sur trois jeux de données difficiles, à savoir Cora, Citeseer et Pubmed dans les réseaux de citations.Note : "Communautarité" n'est pas un terme standard en français. Il est utilisé ici pour traduire "commonality" dans le contexte spécifique du texte. Si vous préférez utiliser un terme plus courant, vous pouvez remplacer par "similarité" ou "communalité".