自适应核图神经网络
机器学习
2021-12-10 v1
摘要
图神经网络（GNNs）在图结构数据的表示学习中取得了巨大成功。GNNs 中的逐层图卷积被证明在捕捉图拓扑方面十分强大。在此过程中，GNNs 通常由预定义的核（如拉普拉斯矩阵、邻接矩阵或其变体）引导。然而，采用预定义核可能会限制对不同图的泛化能力：图与核之间的不匹配将导致次优性能。例如，当高频信息对图至关重要时，专注于低频信息的 GNNs 可能无法取得令人满意的性能，反之亦然。为解决此问题，本文首次提出了一种新颖框架——即自适应核图神经网络（AKGNN）——该框架以统一的方式学习适应最优的图核。在所提出的 AKGNN 中，我们首先设计了一种数据驱动的图核学习机制，通过修改图拉普拉斯矩阵的最大特征值，自适应地调节全通与低通滤波器之间的平衡。通过此过程，AKGNN 学习高频与低频信号之间的最优阈值，以缓解泛化问题。随后，我们进一步通过参数化技巧减少参数数量，并通过全局读出函数增强表达能力。在公认的基准数据集上进行了大量实验，结果令人鼓舞，表明我们提出的 AKGNN 与最先进的 GNNs 相比具有卓越的性能。源代码已公开于：https://github.com/jumxglhf/AKGNN。
引用
@article{arxiv.2112.04575,
title = {Adaptive Kernel Graph Neural Network},
author = {Mingxuan Ju and Shifu Hou and Yujie Fan and Jianan Zhao and Liang Zhao and Yanfang Ye},
journal= {arXiv preprint arXiv:2112.04575},
year = {2021}
}
备注
To be appear at AAAI2022