摘要由 AI 生成
为克服传统图卷积网络在复杂动态数据处理中计算成本高及节点嵌入过平滑的问题，研究人员提出了一种基于水库动力学的图卷积网络（RGC-Net）。该模型将水库动力学原理与结构化图卷积相结合，通过固定随机水库权重和泄漏积分器来增强特征保留能力。研究构建了适用于图分类的鲁棒自适应模型以及用于动态脑连接分析的图生成变换器。实验结果表明，RGC-Net 在分类与生成任务中均达到了最先进性能，实现了更快的收敛速度并有效缓解了过平滑现象。相关源代码已开源。
关键实体KEY ENTITIES
RGC-Netbasiralab
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
全部报道（1）SOURCES
↗
本文提出了一种基于水库的图卷积网络（RGC-Net），将水库动力学与结构化图卷积相结合，以解决传统图卷积网络在复杂动态数据中存在的计算成本高及节点嵌入过平滑问题。该模型通过固定随机水库权重和泄漏积分器增强特征保留能力，并构建了适用于图分类的鲁棒自适应模型以及用于动态脑连接分析的图生成变换器。实验表明，RGC-Net 在分类与生成任务中均达到最先进性能，实现了更快的收敛速度并有效缓解了过平滑现象。相关源代码已开源。