AEGCN：一种自编码器约束的图卷积网络
机器学习
2021-02-11 v3 机器学习
摘要
我们提出了一种新颖的神经网络架构，称为自编码器约束的图卷积网络，用于解决图域上的节点分类任务。顾名思义，该模型的核心是一个直接在图上操作的卷积网络，其隐藏层受自编码器约束。与原始图卷积网络相比，加入自编码器步骤是为了减少拉普拉斯平滑带来的信息损失。我们考虑将模型应用于同构图和异构图。对于同构图，自编码器通过以隐藏层表示作为编码器、以另一个单层图卷积网络作为解码器，来逼近输入图的邻接矩阵。对于异构图，由于存在对应不同类型边的多个邻接矩阵，自编码器改为逼近输入图的特征矩阵，并将编码器改为特别设计的两层多通道预处理网络。在这两种情况下，自编码器逼近中产生的误差都进入损失函数的惩罚项。在引文网络和其他异构图上的大量实验中，我们证明了加入自编码器约束显著提升了图卷积网络的性能。此外，我们注意到该技术也可应用于图注意力网络以提升性能。这揭示了所提自编码器技术的广泛适用性。
引用
@article{arxiv.2007.03424,
title = {AEGCN: An Autoencoder-Constrained Graph Convolutional Network},
author = {Mingyuan Ma and Sen Na and Hongyu Wang},
journal= {arXiv preprint arXiv:2007.03424},
year = {2021}
}
备注
23 pages, 4 figures