ASWT-SGNN：基于自适应谱小波变换的自监督图神经网络
机器学习
2023-12-12 v1 信号处理
摘要
图对比学习（GCL）是一种结合了图卷积网络（GCN）和对比学习优势的自监督方法，使其在节点表示学习方面极具前景。然而，这些方法中使用的 GCN 编码器依赖傅里叶变换来学习固定的图表示，这本质上受到涉及空间和谱局部化权衡的不确定性原理的限制。为了克服现有方法的不灵活性以及计算代价高昂的特征分解和稠密矩阵乘法，本文提出了一种基于自适应谱小波变换的自监督图神经网络（ASWT-SGNN）。该方法采用谱自适应多项式来近似滤波器函数，并利用对比损失优化小波。这种设计使得能够在谱域和空间域中创建局部滤波器，允许在不同尺度上灵活聚合邻域信息，并促进局部与全局信息之间的可控转换。与现有方法相比，所提出的方法降低了计算复杂度，并解决了图卷积神经网络受限于图大小且在邻域方面缺乏灵活控制的局限性。在八个基准数据集上的大量实验表明，ASWT-SGNN 能够在高密度谱区域准确近似滤波器函数，避免了代价高昂的特征分解。此外，ASWT-SGNN 在节点分类任务中取得了与 SOTA 模型相当的性能。
引用
@article{arxiv.2312.05736,
title = {ASWT-SGNN: Adaptive Spectral Wavelet Transform-based Self-Supervised Graph Neural Network},
author = {Ruyue Liu and Rong Yin and Yong Liu and Weiping Wang},
journal= {arXiv preprint arXiv:2312.05736},
year = {2023}
}