CenGCN：面向无标度图且具有顶点不平衡的集中式卷积网络
机器学习
2022-02-17 v1 社会与信息网络
摘要
图卷积网络（GCN）在广泛领域中取得了令人印象深刻的性能，引起了相当多的关注。GCN 的核心步骤是信息传递框架，该框架将来自邻居到中心顶点的所有信息视为同等重要。然而，这种同等重要性对于无标度网络是不充分的，其中由于顶点不平衡，枢纽顶点传播更具主导性的信息。在本文中，我们提出一种名为 CenGCN 的基于中心性的新颖框架以解决信息不平等问题。该框架首先通过带枢纽顶点的标签传播来量化枢纽顶点与其邻居之间的相似性。基于该相似性和中心性指标，该框架通过增加或减少连接枢纽顶点的边权重并向顶点添加自连接来变换图。在 GCN 的每个非输出层中，该框架使用枢纽注意力机制，基于非枢纽顶点与枢纽顶点的公共信息为其分配新的权重。我们提出了两种变体 CenGCN_D 和 CenGCN_E，分别基于度中心性和特征向量中心性。我们还进行了综合实验，包括顶点分类、链接预测、顶点聚类和网络可视化。结果表明，这两种变体显著优于最先进的基线。
引用
@article{arxiv.2202.07826,
title = {CenGCN: Centralized Convolutional Networks with Vertex Imbalance for Scale-Free Graphs},
author = {Feng Xia and Lei Wang and Tao Tang and Xin Chen and Xiangjie Kong and Giles Oatley and Irwin King},
journal= {arXiv preprint arXiv:2202.07826},
year = {2022}
}
备注
16 pages, 8 figures