一种简洁而有效的面向有向图的 SVD-GCN
机器学习
2022-05-20 v1 社会与信息网络
摘要
本文提出一种基于经典奇异值分解（SVD）的简洁而有效的有向图（digraph）图神经网络，命名为 SVD-GCN。该新图神经网络构建于图 SVD-framelet 之上，以更好地在 SVD “频率”带上分解图信号。此外，通过采用切比雪夫多项式逼近，新的 framelet SVD-GCN 也可扩展至更大规模图。通过在多个节点分类数据集上的实证实验，我们发现 SVD-GCN 在多种图节点学习任务中均有显著提升，并且优于 GCN 及许多其他最先进（state-of-the-art）的有向图神经网络。而且，我们实证表明 SVD-GCN 具有出色的去噪能力以及对高水平图数据攻击的鲁棒性。理论与实验结果证明 SVD-GCN 在多种图数据集上均有效，同时保持稳定甚至优于最先进方法的性能。
引用
@article{arxiv.2205.09335,
title = {A Simple Yet Effective SVD-GCN for Directed Graphs},
author = {Chunya Zou and Andi Han and Lequan Lin and Junbin Gao},
journal= {arXiv preprint arXiv:2205.09335},
year = {2022}
}
备注
14 pages