【技术实现步骤摘要】
本专利技术涉及到深度学习领域，具体来说涉及一种基于metis算法优化图卷积神经网络训练的图划分方法。
技术介绍
1、在深度学习领域，图卷积网络(gcn)已成为处理图形数据的一种重要技术。gcn能够有效地利用图结构中的结点关系进行学习，广泛应用于结点分类、图分类、链接预测等任务。然而，当面对大规模图数据时，gcn的训练效率和可扩展性成为了挑战。传统的gcn训练方法往往需要大量的计算资源，且难以处理包含数百万结点和边的大型图。
2、为了解决这些问题，一种名为cluster-gcn的方法被提出。cluster-gcn通过将整个图划分为多个簇，然后分别在这些簇上训练gcn，从而提高了训练的效率和可扩展性。尽管cluster-gcn方法在处理大规模图数据方面取得了显著进展，但其性能和效率在很大程度上依赖于图划分的质量。传统的图划分方法，如metis，虽然能够在一定程度上减少计算复杂度，但它们主要关注于平衡划分后各簇的大小和最小化簇间边的数量，而忽略了图结构的其他重要特性，如结点的度中心性和簇内连接的紧密程度。这可能导致划分得到的簇不利...
【技术保护点】
1.一种基于METIS算法优化图卷积神经网络训练的图划分方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于METIS算法优化图卷积神经网络训练的图划分方法，其特征在于，所述步骤S1具体包括以下步骤：
3.根据权利要求1所述的一种基于METIS算法优化图卷积神经网络训练的图划分方法，其特征在于，所述步骤S2具体包括以下步骤：
4.根据权利要求1所述的一种基于METIS算法优化图卷积神经网络训练的图划分方法，其特征在于，所述步骤S3具体包括以下步骤：
5.根据权利要求1所述的一种基于METIS算法优化图卷积神...
【技术特征摘要】
1.一种基于metis算法优化图卷积神经网络训练的图划分方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于metis算法优化图卷积神经网络训练的图划分方法，其特征在于，所述步骤s1具体包括以下步骤：
3.根据权利要求1所述的一种基于metis算法优化图卷积神经网络训练的图划分方法，其特征在于，所述步骤s2具体包括以下步骤：
4.根据权利...
【专利技术属性】
技术研发人员：丁卫平，朱越，尹涛，周晶，周琳琳，陈琨，
申请(专利权)人：南通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。