AdaGCN：将图卷积网络以 AdaBoost 方式集成至深度模型
机器学习
2021-03-16 v3 机器学习
摘要
深度图模型的设计仍有待探究，其关键在于如何高效探索并利用来自不同跳数邻居的知识。本文通过将 AdaBoost 引入网络计算，提出一种新颖的类 RNN 深度图神经网络架构；所提出的图卷积网络称为 AdaGCN（Adaboosting Graph Convolutional Network，Adaboosting 图卷积网络），能够高效提取当前节点高阶邻居的知识，并以 AdaBoost 方式将不同跳数邻居的知识整合进网络。与其他直接堆叠多层图卷积层的图神经网络不同，AdaGCN 在所有“层”间共享同一基础神经网络架构并递归优化，类似于 RNN。此外，我们还在理论上建立了 AdaGCN 与现有图卷积方法之间的联系，阐明了所提方法的优势。最后，大量实验证明了在不同标签率下图上一致的 SOTA 预测性能，以及我们的方法 AdaGCN 的计算优势~\footnote{代码见 \url{https://github.com/datake/AdaGCN}。}
引用
@article{arxiv.1908.05081,
title = {AdaGCN: Adaboosting Graph Convolutional Networks into Deep Models},
author = {Ke Sun and Zhanxing Zhu and Zhouchen Lin},
journal= {arXiv preprint arXiv:1908.05081},
year = {2021}
}
备注
Published on International Conference on Learning Representations (ICLR) 2021