用图回声状态网络解决节点分类中的异配性问题
机器学习
2023-07-19 v2
摘要
图上的节点分类任务通常通过完全训练的深度消息传递模型来解决，这些模型通过对节点邻域的多次聚合来学习节点表示的层次结构。虽然在类内边比例较高的图上有效，这种方法在相反情况下（即异配性，同类节点通常距离更远）会带来挑战。在异配程度较高的图中，卷积模型基于近邻计算的平滑表示不再有效。迄今为止，已有研究提出消息传递模型的架构变体以减少过度平滑，或对输入图重新连边以改善长距离消息传递。本文中，我们用图回声状态网络（GESN）解决异配图的节点分类挑战。GESN是一种面向图的储备池计算模型，其中节点嵌入由未经训练的消息传递函数递归计算。我们的实验表明，储备池模型能够在准确率上达到或优于大多数通过架构偏置的专门变体或在输入图上以重连边作为预处理步骤的完全训练深度模型，并在效率/准确率权衡上有所改善。此外，我们的分析表明，GESN能够通过展示递归嵌入函数的迭代次数与图中最短路径分布之间的相关性，有效编码图节点的结构关系。
引用
@article{arxiv.2305.08233,
title = {Addressing Heterophily in Node Classification with Graph Echo State Networks},
author = {Alessio Micheli and Domenico Tortorella},
journal= {arXiv preprint arXiv:2305.08233},
year = {2023}
}
备注
15 pages, 10 figures. arXiv admin note: text overlap with arXiv:2212.06538