AdaGNN：具有自适应频率响应滤波器的图神经网络
机器学习
2022-02-22 v3
摘要
图神经网络近来已成为解决各种高影响力图分析问题的主流范式。现有工作主要可分为基于谱和基于空间的方法。前者的核心挑战在于找到合适的图滤波器，从输入信号中提取判别性信息以用于学习。近来，为实现更好的图滤波器进行了大量探索，例如图卷积网络（GCN），其利用切比雪夫多项式截断来寻求图滤波器的近似并桥接这两类方法。然而，近期研究表明，GCN及其变体本质上采用固定的低通滤波器来进行信息去噪。因此它们的学习能力相当有限，并可能在更深层处使节点表示过平滑。为解决这些问题，我们提出了一种新颖的图神经网络框架AdaGNN，其带有精心设计的自适应频率响应滤波器。AdaGNN的核心在于利用一个简单而优雅的可训练滤波器，该滤波器跨越多个层以捕获不同频率分量对节点表示学习的变化重要性。滤波器也很好地捕获了不同特征通道之间的固有差异。由此，它赋予AdaGNN更强的表达能力，并自然缓解了过平滑问题。我们在多个基准数据集上实证验证了所提框架的有效性。理论分析也证明了所提AdaGNN的优越性。AdaGNN的开源实现可在此处找到：https://github.com/yushundong/AdaGNN。
引用
@article{arxiv.2104.12840,
title = {AdaGNN: Graph Neural Networks with Adaptive Frequency Response Filter},
author = {Yushun Dong and Kaize Ding and Brian Jalaian and Shuiwang Ji and Jundong Li},
journal= {arXiv preprint arXiv:2104.12840},
year = {2022}
}
备注
Published as a conference paper at CIKM 2021