通過在圖神經網絡的損失函數中加入正則項解決稀疏性問題。
在標籤較少時,通過有監督學習到的特徵可以忽略不計。本文將原GCN作爲編碼層,並加入反向GCN進行解碼,然後使用輸入和輸出之間的平方歐式距離作爲損失函數進行訓練。通過構造基於GCN的自動編碼器,有效解決了稀疏性問題,在分類任務上取得了良好的效果。
通過在圖神經網絡的損失函數中加入正則項解決稀疏性問題。
在標籤較少時,通過有監督學習到的特徵可以忽略不計。本文將原GCN作爲編碼層,並加入反向GCN進行解碼,然後使用輸入和輸出之間的平方歐式距離作爲損失函數進行訓練。通過構造基於GCN的自動編碼器,有效解決了稀疏性問題,在分類任務上取得了良好的效果。