图神经网络作为图信号去噪的统一视角
机器学习
2021-10-19 v2 机器学习
摘要
图神经网络（GNNs）在学习图结构数据的表示方面已崭露头角。单个 GNN 层通常由特征变换和特征聚合操作组成。前者通常使用前馈网络来变换特征，而后者在图上聚合变换后的特征。近期大量工作提出了在聚合操作上具有不同设计的 GNN 模型。在本文中，我们从数学上证明了一组代表性 GNN 模型（包括 GCN、GAT、PPNP 和 APPNP）中的聚合过程可被视为（近似）在平滑性假设下求解图去噪问题。这种跨 GNN 的统一视角不仅为理解多种聚合操作提供了新角度，还使我们能够开发一个统一的图神经网络框架 UGNN。为展示其良好潜力，我们从 UGNN 实例化出一个新颖的 GNN 模型 ADA-UGNN，用于处理节点间具有自适应平滑性的图。综合实验表明了 ADA-UGNN 的有效性。
引用
@article{arxiv.2010.01777,
title = {A Unified View on Graph Neural Networks as Graph Signal Denoising},
author = {Yao Ma and Xiaorui Liu and Tong Zhao and Yozen Liu and Jiliang Tang and Neil Shah},
journal= {arXiv preprint arXiv:2010.01777},
year = {2021}
}