超越图卷积网络：一个可解释的以正则化器为中心的优化框架
机器学习
2023-07-04 v1 人工智能
摘要
图卷积网络（GCN）因其令人鼓舞的性能与强大的泛化能力而广受关注。然而，鲜有工作提供一般性视角来解释各类 GCN 并指导其设计。本文通过重审原始 GCN，推导出一个可解释的以正则化器为中心的优化框架，其中通过构建恰当的正则化器，我们可解释大多数 GCN，如 APPNP、JKNet、DAGNN 与 GNN-LF/HF。进一步，在该框架下，我们设计了一个双正则化器图卷积网络（称为 tsGCN）以从图数据中捕获拓扑与语义结构。由于 tsGCN 的推导学习规则包含大矩阵求逆因而耗时，我们利用 Woodbury 矩阵恒等式与低秩近似技巧成功降低了计算无限阶图卷积的高计算复杂度。在八个公开数据集上的大量实验表明，tsGCN 在分类任务上相较众多最先进竞争对手取得了更优性能。
引用
@article{arxiv.2301.04318,
title = {Beyond Graph Convolutional Network: An Interpretable Regularizer-centered Optimization Framework},
author = {Shiping Wang and Zhihao Wu and Yuhong Chen and Yong Chen},
journal= {arXiv preprint arXiv:2301.04318},
year = {2023}
}
备注
15 pages, 12 figures