PulseAugur
中
实时 08:02:41
English(EN) Multi-Label Node Classification with Label Influence Propagation

新模型LIP增强图上的多标签节点分类

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为标签影响传播（LIP）的新模型，以改进图上的多标签节点分类。LIP将图神经网络中的消息传递过程分解为传播和转换操作，从而能够详细分析标签影响相关性。通过构建标签影响图并传播高阶影响，LIP动态调整学习过程，以放大积极的标签贡献并减轻消极的贡献。在基准数据集上的评估表明，LIP的性能始终优于最先进的方法。 AI

影响 这项研究可能导致在生物信息学和社会网络分析等领域的复杂网络数据分析更加准确。

排序理由 该集群包含一篇详细介绍新模型及其评估的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新模型LIP增强图上的多标签节点分类

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Yifei Sun, Zemin Liu, Bryan Hooi, Yang Yang, Rizal Fathony, Jia Chen, Bingsheng He ·

    Multi-Label Node Classification with Label Influence Propagation

    arXiv:2607.00671v1 Announce Type: cross Abstract: Graphs are a complex and versatile data structure used across various domains, with possibly multi-label nodes playing a particularly crucial role. Examples include proteins in PPI networks with multiple functions and users in soc…

  2. arXiv cs.AI TIER_1 English(EN) · Bingsheng He ·

    具有标签影响传播的多标签节点分类

    Graphs are a complex and versatile data structure used across various domains, with possibly multi-label nodes playing a particularly crucial role. Examples include proteins in PPI networks with multiple functions and users in social or e-commerce networks exhibiting diverse inte…

相关实体

相关话题