利用双仿射映射在远端节点间构建捷径以提升图卷积网络性能
机器学习
2023-02-21 v2 社会与信息网络
摘要
多项近期研究揭示了图卷积网络(GCNs)中的一个悖论:浅层架构限制了从高阶邻居学习信息的能力,而深层架构则面临过平滑或过压缩问题。为了兼顾浅层架构的简洁性并克服其邻域扩展的局限,本文引入双仿射(biaffine)技术,以浅层架构提升图卷积网络的表达能力。我们方法的核心设计是让节点学习对远距离邻居的直接依赖,仅凭一跳消息传递即可为节点表示捕获丰富信息。此外,我们提出一种多视图对比学习方法,以利用从远距离依赖中学到的表示。在九个图基准数据集上的大量实验表明,浅层双仿射图卷积网络(BAGCN)在半监督节点分类上显著优于最先进的GCNs(无论深层或浅层架构)。我们进一步验证了双仿射设计在节点表示学习中的有效性,以及在不同规模训练数据上性能的一致性。
引用
@article{arxiv.2302.08727,
title = {Building Shortcuts between Distant Nodes with Biaffine Mapping for Graph Convolutional Networks},
author = {Acong Zhang and Jincheng Huang and Ping Li and Kai Zhang},
journal= {arXiv preprint arXiv:2302.08727},
year = {2023}
}