具有邻居交互的双线性图神经网络
机器学习
2020-06-02 v5 图形学
机器学习
摘要
图神经网络（Graph Neural Network, GNN）是一种强大的模型，用于在图数据上学习表示并进行预测。现有的GNN研究大多将图卷积定义为相连节点特征的加权和，以构成目标节点的表示。然而，加权和操作假设邻居节点彼此独立，忽略了它们之间可能的交互。当此类交互存在时，例如两个邻居节点的共现是目标节点特征的强信号，现有的GNN模型可能无法捕获该信号。在这项工作中，我们论证了在GNN中建模邻居节点之间交互的重要性。我们提出了一种新的图卷积算子，用邻居节点表示的成对交互来增强加权和。我们将此框架称为双线性图神经网络（Bilinear Graph Neural Network, BGNN），其通过邻居节点间的双线性交互提升了GNN的表示能力。特别地，我们基于著名的GCN和GAT分别指定了两个BGNN模型，名为BGCN和BGAT。在三个半监督节点分类公开基准上的实证结果验证了BGNN的有效性——BGCN（BGAT）在分类准确率上优于GCN（GAT）1.6%（1.5%）。代码见：https://github.com/zhum1996/bgnn。
引用
@article{arxiv.2002.03575,
title = {Bilinear Graph Neural Network with Neighbor Interactions},
author = {Hongmin Zhu and Fuli Feng and Xiangnan He and Xiang Wang and Yan Li and Kai Zheng and Yongdong Zhang},
journal= {arXiv preprint arXiv:2002.03575},
year = {2020}
}
备注
Accepted by IJCAI 2020. SOLE copyright holder is IJCAI (International Joint Conferences on Artificial Intelligence), all rights reserved