6月3日，记者从山西大学获悉，该校智能信息处理研究所团队日前在图神经网络研究方面取得重要进展。相关成果发表于人工智能领域国际期刊《IEEE模式分析与机器智能学报》。
图神经网络（GNN）是当前图结构数据处理的核心技术，广泛应用于社交网络分析、生物信息处理、物理建模等领域。然而，其性能严重依赖于标注节点的质量与数量，而真实场景中标签通常稀缺、获取成本高昂。
对此，研究团队创新性地构建了多通道图自监督学习模型，通过引入“特征解耦”机制，实现了对多种自监督信号的精细建模与融合，有效提升了模型在半监督节点分类任务中的鲁棒性与泛化能力。
与以往的单一图自监督学习策略不同，新方法将节点表示拆分为“共享”与“互补”两个部分，分别施加一致性约束、重构约束和对齐约束，使得模型能在不同通道（拓扑、属性、潜在结构）之间有效分离并利用自监督信息，克服了不同类型自监督信号冲突问题，且通过互信息理论解释了新模型在多种自监督信号协同与融合上的能力。
通过在多个标准数据集上进行实验验证后发现，新方法在节点分类准确率上显著优于当前主流方法，特别是在标签比例低于1%的极端条件下，仍保持优异性能，显示出极强的实际应用前景。
日前，高等教育数字化与课程思政建设研讨会暨中国高校财经慕课联盟首届“同课异构”教学竞赛颁奖典礼在对外经济贸易大学 堆叠、扭曲铜酸盐超导体的示意图。图片来源：物理学家组织网 几十年来，超导体一直是物理学界研究的热点。但这些允许 国际脑科学计划-细胞普查联盟（BICCN）近日发表了迄今为止最全面详细的小鼠完整大脑细胞类型的特性描述和分类，对大脑的结构 “忙”，已经成为很多科研人员的常态，他们忙着很多事，唯独很难静下心来忙学问。 中国科学院院士刘忠范将很多被迫忙碌 近日，日本政府批准了一项立法，要求6所顶尖大学成立新的管理政策委员会，使外部专家在决策中有更大的发言权。 据《科 科技日报讯 （记者张梦然）美国罗切斯特大学研究人员报告了一种策略，用于了解在具有完全化学复杂性的溶剂中，分子如何失去 。本文链接：山西大学团队在图神经网络研究方面取得重要进展http://www.sushuapos.com/show-11-21533-0.html
声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。
上一篇： 科学家找到疫霉菌"帮凶"
下一篇： 用“AI率”对论文“一票否决”科学吗