BScNets：块单纯复形神经网络
机器学习
2021-12-14 v1 机器学习
摘要
单纯神经网络（SNN）近来作为图学习中的最新方向而出现，其将卷积架构的思想从节点空间扩展到图上的单纯复形。与当前主要评估节点间成对关系不同，单纯复形允许我们描述高阶交互与多节点图结构。基于卷积运算与新块 Hodge-Laplacian 之间的联系，我们提出了首个用于链接预测的 SNN。我们提出的块单纯复形神经网络（BScNets）模型通过系统性地纳入不同维度的多个高阶图结构间显著交互，推广了现有的图卷积网络（GCN）框架。我们讨论了 BScNets 背后的理论基础，并展示了其在八个真实与合成数据集上用于链接预测的效用。我们的实验表明，BScNets 在保持低计算成本的同时，以显著优势超越最先进模型。最后，我们展示了 BScNets 作为追踪 COVID-19 等传染病传播及评估医疗风险缓解策略有效性的新而有前景的替代方案的效用。
引用
@article{arxiv.2112.06826,
title = {BScNets: Block Simplicial Complex Neural Networks},
author = {Yuzhou Chen and Yulia R. Gel and H. Vincent Poor},
journal= {arXiv preprint arXiv:2112.06826},
year = {2021}
}