超越局部化图神经网络：一种属性模体正则化框架
社会与信息网络
2021-02-23 v1 机器学习
摘要
我们提出InfoMotif，一种基于图的新型半监督、模体正则化学习框架。我们克服了流行图神经网络（GNNs）中消息传递的两个关键局限：局部化（k层GNN无法利用标记训练节点k跳邻域之外的特征）和过平滑（结构上不可区分）表示。我们基于节点在不同网络模体中的出现提出属性结构角色的概念，与网络邻近性无关。若两个节点在共变属性集上参与拓扑相似的模体实例，则它们共享属性结构角色。此外，InfoMotif通过互信息最大化正则化任意GNN的节点表示，实现架构无关性。我们的训练课程动态优先处理学习过程中的多个模体，而不依赖底层图或学习任务中的分布假设。我们将三种最先进GNN集成于框架中，在六个多样的真实世界数据集上显示出显著增益（3-10%准确率）。我们看到在局部邻域结构中具有稀疏训练标签和多样属性的节点上增益更强。
引用
@article{arxiv.2009.05197,
title = {Beyond Localized Graph Neural Networks: An Attributed Motif Regularization Framework},
author = {Aravind Sankar and Junting Wang and Adit Krishnan and Hari Sundaram},
journal= {arXiv preprint arXiv:2009.05197},
year = {2021}
}
备注
To appear at ICDM 2020 (IEEE International Conference on Data Mining)