CKGConv：基于连续核的通用图卷积
机器学习
2024-06-06 v2 人工智能
摘要
现有的图卷积定义要么来自空间视角，要么来自谱视角，均不够灵活且缺乏统一性。由于缺乏规范坐标、结构不规则以及图对称性质，定义图域中的通用卷积算子具有挑战性。本文提出一种新颖且通用的图卷积框架，通过对通过图位置编码派生的伪坐标作为参数化核函数的方式实现。我们将其命名为连续核图卷积 (CKGConv)。从理论上看，我们证明CKGConv具有灵活性和表达性。CKGConv涵盖了许多现有的图卷积方法，并且在区分非同构图方面表现出更强的表达性，相当于图变换器的性能。实验上，我们展示基于CKGConv的网络在各种图数据集上超越了现有的图卷积网络，并与最佳图变换器相当。代码和模型已公开于https://github.com/networkslab/CKGConv。
引用
@article{arxiv.2404.13604,
title = {CKGConv: General Graph Convolution with Continuous Kernels},
author = {Liheng Ma and Soumyasundar Pal and Yitian Zhang and Jiaming Zhou and Yingxue Zhang and Mark Coates},
journal= {arXiv preprint arXiv:2404.13604},
year = {2024}
}
备注
On International Conference on Machine Learning (ICML) 2024