块建模引导的图卷积神经网络
机器学习
2021-12-30 v2 社会与信息网络
摘要
图卷积网络（GCN）在探索图表示方面已展现出显著潜力。然而，GCN的聚合机制难以推广到具有异配性的网络，即大多数节点的邻居来自不同类别，而这在实际网络中是普遍存在的。为使GCN的传播与聚合机制同时适用于同配性与异配性（乃至二者混合）情形，我们将块建模引入GCN框架，使其能够实现“块引导的分类聚合”，并自动学习针对不同类别邻居的相应聚合规则。通过将块建模融入聚合过程，GCN能够根据同配程度对同配与异配邻居的信息进行有区别的聚合。我们将所提算法与处理异配问题的前沿方法进行了比较。实证结果表明，新方法在异配数据集上优于现有方法，同时在同配数据集上保持具有竞争力的性能。
引用
@article{arxiv.2112.13507,
title = {Block Modeling-Guided Graph Convolutional Neural Networks},
author = {Dongxiao He and Chundong Liang and Huixin Liu and Mingxiang Wen and Pengfei Jiao and Zhiyong Feng},
journal= {arXiv preprint arXiv:2112.13507},
year = {2021}
}
备注
Accepted by Thirty-Sixth AAAI Conference on Artificial Intelligence (AAAI-22)