我院在图神经网络信息压缩理论方面取得新进展

时间:2023-10-12浏览:500

近日,我院医疗大数据分析与转化实验室联合安徽大学数据智能与人文社会计算研究所团队,在计算机科学领域著名学术期刊《IEEE Transactions on Computational Social Systems》(中科院二区,IF=5.2)上发表题为《标签依赖的图神经网络(Label-Dependent Graph Neural Network)》的学术论文。我院教师何云飞副教授为论文的第一作者,杨飞副教授为通讯作者,我校为第一单位。

图神经网络作为建模复杂图结构数据的强大工具,被广泛用于社交网络,生物医学等领域。然而,大多数图神经网络模型面临着标签混淆的挑战,即预测标签和真实标签之间的依赖性随模型训练先增而后下降。该挑战不仅潜在威胁后续数据挖掘性能,还增添了图神经网络的不可解释性,却从未被关注和研究。针对该问题,本研究依托信息瓶颈理论,结合希尔伯特-斯密特独立性准则,创新性地压缩原始特征和噪声之间的依赖性,缓解了标签混淆问题并在理论上给予了证明,提升了图神经网络的可解释性和表征能力。该研究填补了图神经网络信息压缩理论方面的空白,有助于医学图数据挖掘可信挖掘。(生物医学工程学院)

论文链接:https://ieeexplore.ieee.org/document/10253751