用于半监督学习的各向异性图卷积网络
机器学习
2020-10-21 v1
摘要
图卷积网络学习到的有效节点嵌入已被证明在节点分类等半监督学习任务中有助于取得高精度的预测结果。然而，这些网络存在过平滑与图收缩效应的问题，这在很大程度上是因为它们使用线性拉普拉斯流在图的边上扩散特征。该局限对节点分类任务尤为不利，其目标是预测与图节点关联的标签。为解决此问题，我们提出一种用于半监督节点分类的各向异性图卷积网络，引入非线性函数以从节点捕获信息性特征，同时防止过平滑。所提框架很大程度上受各向异性扩散在图像与几何处理中良好表现的启发，并基于局部图结构与节点特征学习非线性表示。我们的方法在三个引文网络与两个图像数据集上展示了有效性，相较标准基线方法取得了更优或相当的分类准确率结果。
引用
@article{arxiv.2010.10284,
title = {Anisotropic Graph Convolutional Network for Semi-supervised Learning},
author = {Mahsa Mesgaran and A. Ben Hamza},
journal= {arXiv preprint arXiv:2010.10284},
year = {2020}
}