双通道图卷积网络半监督学习

发布时间：2021-11-06 23:46

　　图数据广泛存在于现实生活中,例如文献引用关系、社交网络等等.因其可以自然地刻画数据之间的相互关系,所以对于图数据的研究具有重要的现实意义和价值.传统的图数据分析方法大多基于图数据的统计信息或者手动设计的特征,在大部分情况下表现不佳且过程耗时耗力.近年来,深度学习由于其强大的特征表征能力和不依赖过多的先验知识被广泛应用到许多研究领域,一定程度上减少了对数据统计信息和手动设计特征的依赖.因而利用深度神经网络处理图数据成为了图研究的热点,并由此产生图神经网络的概念.图神经网络按照定义图卷积的方式可以划分为基于谱域和基于空域两种类型.其中,图卷积网络既可看作是基于谱域的模型又可视为基于空域的模型.图卷积网络因其坚实的理论基础和简洁的前向传播方式而被广泛地研究.图卷积网络很好地将卷积操作从传统的网格数据推广到非欧式空间的图数据上,并在相关任务上取得非常好的学习性能.但是训练一个性能良好的图卷积网络往往需要大量的标签数据以及验证集.而在现实生活中,标签数据的获取往往费时且昂贵,因此如何利用少量的标签数据,即在低标签率的情况下,训练图卷积网络成为新的研究问题.本文使用双通道模型来克服图卷积网络在低标... 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 论文选题的背景与意义
        1.1.1 图数据
        1.1.2 半监督学习
        1.1.3 基于图的半监督学习
    1.2 半监督节点分类
    1.3 本文的主要工作与章节安排
第二章 基于图卷积网络的半监督学习
    2.1 相关符号和定义
    2.2 图神经网络
        2.2.1 基于谱域的图神经网路
        2.2.2 基于空域的图神经网络
        2.2.3 二者之间的联系和比较
    2.3 基于GCN的相关工作
    2.4 本章小结
第三章 双通道图卷积半监督学习方法
    3.1 相关学习策略和方法
        3.1.1 自训练学习策略
        3.1.2 协同训练学习策略
        3.1.3 针对噪声伪标签的学习
    3.2 图卷积半监督学习
    3.3 双通道图卷积网络
    3.4 本章小结
第四章 实验结果及讨论
    4.1 实验中使用的数据集
    4.2 评价指标
    4.3 对比方法
    4.4 实验设置
    4.5 实验结果
    4.6 每个类别20个标记样本下的对比实验
    4.7 消融实验
        4.7.1 函数t
        4.7.2 参数敏感性
    4.8 本章小节
第五章 总结与展望
    5.1 论文总结
    5.2 展望
参考文献
在学期间的研究成果
致谢



本文编号：3480745