打破天花板：更强的多尺度深度图卷积网络
机器学习
2019-09-10 v3 人工智能
机器学习
摘要
近来，基于神经网络的方法在求解大规模、复杂的图结构问题方面取得了显著进展。然而，其瓶颈仍有待解决，且多尺度信息与深度架构的优势尚未被充分利用。本文从理论层面分析了现有图卷积网络(GCNs)因激活函数及其架构的约束而表达能力有限。我们将谱图卷积与深度GCN推广为块Krylov子空间形式，并设计了两种架构，二者均有潜力被加深，但各自以不同方式利用多尺度信息。我们进一步证明在特定条件下这两种架构的等价性可得以建立。在多个节点分类任务上，无论有无验证集辅助，这两种新架构均优于许多最先进(state-of-the-art)方法。
引用
@article{arxiv.1906.02174,
title = {Break the Ceiling: Stronger Multi-scale Deep Graph Convolutional Networks},
author = {Sitao Luan and Mingde Zhao and Xiao-Wen Chang and Doina Precup},
journal= {arXiv preprint arXiv:1906.02174},
year = {2019}
}
备注
Accepted and to be published by NeurIPS 2019