超越同配性的图回声状态网络
机器学习
2022-10-31 v1
摘要
图回声状态网络(GESN)已在图分类任务中展现出其效能与效率。然而，半监督节点分类在端到端训练的深度模型中引发了过平滑问题，导致对高同配性图的偏向。我们首次在不同同配度下的节点分类任务上评估 GESN，并分析了储备池半径的影响。我们的实验表明，储备池模型能够取得优于或可与 fully trained 深度模型相媲美的精度，后者实现了架构偏置中的特设变体，且在效率方面具有优势。
引用
@article{arxiv.2210.15731,
title = {Beyond Homophily with Graph Echo State Networks},
author = {Domenico Tortorella and Alessio Micheli},
journal= {arXiv preprint arXiv:2210.15731},
year = {2022}
}
备注
Accepted for oral presentation at ESANN 2022