补全缺失的另一半：以多样化增强图卷积网络的聚合滤波
机器学习
2022-11-04 v4 机器学习
摘要
当前图神经网络 (GNN) 的核心操作是由图拉普拉斯或消息传递实现的聚合，其对邻域节点信息进行滤波。尽管对各类任务有效，我们在本文中指出，对于在某些数据集上的学习，它们潜在地是构成所有 GNN 方法问题的因素，因为它们迫使节点表示趋同，使节点逐渐丧失自身特性而变得不可区分。因此，我们用聚合的对偶即多样化算子来增强聚合操作，使节点更具区分度并保留特性。这种增强以双通道滤波过程替代聚合，理论上有利于丰富节点表示。在实践中，所提双通道滤波器可轻易修补于现有 GNN 方法上，并适配多种训练策略，包括谱方法和空间（消息传递）方法。在实验中，我们观察到模型所需特性，以及在 9 个节点分类任务上相对基线方法的显著性能提升。
引用
@article{arxiv.2008.08844,
title = {Complete the Missing Half: Augmenting Aggregation Filtering with Diversification for Graph Convolutional Networks},
author = {Sitao Luan and Mingde Zhao and Chenqing Hua and Xiao-Wen Chang and Doina Precup},
journal= {arXiv preprint arXiv:2008.08844},
year = {2022}
}
备注
New Frontiers in Graph Learning (GLFrontiers) Workshop (Oral), NeurIPS 2022