小编：6月3日，记者从Shanxi大学获悉，该学校的智能信息处理研究所最近在神经网络图研究中做出了重要的发展。有关的
6月3日，记者从Shanxi大学获悉，该学校的智能信息处理研究所最近在神经网络图研究中做出了重要的发展。相关结果已发表在人工智能领域的国际杂志“ IEEE模式分析和机器智能”中。图神经网络（GNN）是图形结构当前处理的基本技术，广泛用于社交网络检查，生物信息处理，物理建模和其他领域。但是，其性能在很大程度上取决于注释节点的质量和数量，在实际情况下，标签通常很少且昂贵。在这方面，研究团队具有创新的监督多通道图研究Modelh自制模型。通过引入“特色解耦”机制，它意识到了许多信号的精细建模和融合，在半监督节点分类任务中，有效地改善了模型的稳定性和整体功能。与先前的自我研究方法不同，新方法将节点表示分为两个部分：“共享”和“辅助”，并尊重持续的障碍，重建和对齐障碍的障碍，重建障碍和对齐障碍，以便可以有效地通过不同的渠道（拓扑，属性，潜在结构）来有效地启动许多模型的能力，并且可以通过新的模型来宣传许多信息，并且可以构成许多符号，并整合了许多模型，并且可以整合许多模型。在ABY验证了许多标准数据集的实验之后，发现该新方法明显好于当前对节点分类进行分类的基本方法，尤其是在标签比率少于1％的极端条件下，仍保持良好的性能，显示出非常强大的实际实用前景。
当前网址：https://www.tianyuanqing.com//a/meishi/933.html
