补全缺失的另一半：以多样化增强图卷积神经网络的聚合滤波
机器学习
2022-12-22 v1 人工智能
摘要
当前图神经网络（GNNs）的核心操作是由图拉普拉斯或消息传递实现的聚合，其对节点的邻域信息进行滤波。尽管在各种任务上有效，本文指出它们可能是所有 GNN 模型在特定数据集上学习的潜在问题因素，因为它们迫使节点表示趋于相似，使节点逐渐丧失自身特性而变得不可区分。因此，我们用其的对偶，即使得节点更具区分度并保持特性的多样化算子，来增强聚合操作。这种增强将聚合替换为双通道滤波过程，理论上有利于丰富节点表示。在实践中，所提出的双通道滤波器可轻易地以多种训练策略修补到现有 GNN 方法上，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，并在 9 个节点分类任务上相较基线获得显著性能提升。
引用
@article{arxiv.2212.10822,
title = {Complete the Missing Half: Augmenting Aggregation Filtering with Diversification for Graph Convolutional Neural Networks},
author = {Sitao Luan and Mingde Zhao and Chenqing Hua and Xiao-Wen Chang and Doina Precup},
journal= {arXiv preprint arXiv:2212.10822},
year = {2022}
}
备注
Accepted as Oral Presentation at NeurIPS 2022 New Frontiers in Graph Learning Workshop (NeurIPS GLFrontiers 2022)