超越图卷积网络中的低频信息
机器学习
2021-01-05 v1 社会与信息网络
摘要
图神经网络(GNNs)已被证明在各种与网络相关的任务中是有效的。大多数现有的 GNNs 通常利用节点特征的低频信号,这引发了一个基本问题:在真实世界应用中,低频信息就是我们所需的一切吗?本文首先提出一项实验研究来评估低频与高频信号的作用,结果清楚地表明,仅探索低频信号远不足以在不同场景下学习到有效的节点表示。我们如何能够在 GNNs 中自适应地学习低频信息之外的更多信号?一个充分知情的答案有助于 GNNs 增强适应性。我们应对这一挑战,提出了一种具有自门控机制的新型频率自适应图卷积网络(FAGCN),它能够在消息传递过程中自适应地整合不同信号。为深入理解,我们从理论上分析了低频信号与高频信号在学习节点表示中的作用,这进一步解释了为何 FAGCN 能在不同类型网络上表现良好。在六个真实世界网络上的大量实验验证了 FAGCN 不仅缓解了过平滑问题,而且相对于现有最先进方法具有优势。
引用
@article{arxiv.2101.00797,
title = {Beyond Low-frequency Information in Graph Convolutional Networks},
author = {Deyu Bo and Xiao Wang and Chuan Shi and Huawei Shen},
journal= {arXiv preprint arXiv:2101.00797},
year = {2021}
}
备注
Accepted by AAAI 2021