自适应传播图卷积网络
机器学习
2020-09-29 v3 机器学习
摘要
图卷积网络（GCNs）是一类通过对图数据进行顶点级操作与跨节点消息传递交替而实现推断的神经网络模型。就后者而言，两个关键问题浮现出来：（i）如何设计可微分的交换协议（例如原始 GCN 中的 1-hop 拉普拉斯平滑），以及（ii）如何刻画相对于局部更新的复杂度权衡。本文中，我们展示了通过在每个节点独立地自适应通信步数，可以达到最先进的性能。具体而言，我们为每个节点配备一个暂停单元（受 Graves 的自适应计算时间启发），其在每次交换后决定是否继续通信。我们表明所提出的自适应传播 GCN（AP-GCN）在多个基准上取得了优于或等同于迄今最佳已提出模型的结果，同时仅需极小的额外参数开销。我们还研究了一种正则化项，以在通信与精度间强制显式权衡。AP-GCN 实验的代码作为开源库发布。
引用
@article{arxiv.2002.10306,
title = {Adaptive Propagation Graph Convolutional Network},
author = {Indro Spinelli and Simone Scardapane and Aurelio Uncini},
journal= {arXiv preprint arXiv:2002.10306},
year = {2020}
}
备注
Published in IEEE Transaction on Neural Networks and Learning Systems