BernNet：通过伯恩斯坦逼近学习任意图谱滤波器
机器学习
2022-02-07 v3 人工智能
摘要
许多具代表性的图神经网络，例如 GPR-GNN 和 ChebNet，用图谱滤波器逼近图卷积。然而，现有工作要么应用预定义的滤波器权重，要么在无必要约束的情况下学习它们，这可能导致过于简化或不适定的滤波器。为克服这些问题，我们提出 BernNet，一种具有理论支撑的新型图神经网络，为设计和学习任意图谱滤波器提供了简单而有效的方案。特别地，对于图上归一化拉普拉斯谱上的任意滤波器，我们的 BernNet 通过 阶伯恩斯坦多项式逼近来估计它，并通过设置伯恩斯坦基的系数来设计其谱性质。此外，我们可以基于观测图及其关联信号学习这些系数（及相应滤波器权重），从而实现专用于数据的 BernNet。我们的实验表明，BernNet 能够学习任意谱滤波器，包括复杂的带阻和梳状滤波器，并在真实世界图建模任务中取得优越性能。代码见 https://github.com/ivam-he/BernNet。
引用
@article{arxiv.2106.10994,
title = {BernNet: Learning Arbitrary Graph Spectral Filters via Bernstein Approximation},
author = {Mingguo He and Zhewei Wei and Zengfeng Huang and Hongteng Xu},
journal= {arXiv preprint arXiv:2106.10994},
year = {2022}
}
备注
NeurIPS 2021