超越低通滤波：具有自动滤波的图卷积网络
机器学习
2022-06-23 v3 人工智能
摘要
图卷积网络正成为从图结构数据进行深度学习不可或缺的工具。现有大多数图卷积网络存在两个主要缺陷。第一，它们本质上是低通滤波器，因此图信号中潜在有用的中频和高频带被忽略。第二，现有图卷积滤波器的带宽固定。图卷积滤波器的参数仅对图输入进行变换，而不改变图卷积滤波器函数的曲率。实际上，除非具备专家领域知识，否则我们不确定是否应在某点保留或截断频率。本文提出自动图卷积网络（AutoGCN）以捕获图信号的完整频谱并自动更新图卷积滤波器的带宽。虽然其基于图谱理论，我们的 AutoGCN 在空间上也是局部的并具有空间形式。实验结果表明，AutoGCN 相比仅作为低通滤波器的基线方法取得了显著改进。
引用
@article{arxiv.2107.04755,
title = {Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic Filtering},
author = {Zonghan Wu and Shirui Pan and Guodong Long and Jing Jiang and Chengqi Zhang},
journal= {arXiv preprint arXiv:2107.04755},
year = {2022}
}
备注
Accepted to IEEE Transactions on Knowledge and Data Engineering