面向图神经网络的条件局部特征编码
机器学习
2024-05-09 v1 社会与信息网络
摘要
图神经网络(GNNs)在从图结构数据中学习方面取得了很大的成功。当前GNN的关键机制是消息传递，其中节点的特征基于其局部邻域传递的信息进行更新。这种机制的一个局限是节点特征随着使用更多消息传递轮次而被局部邻域的信息所主导。因此，随着GNN层数的加深，相邻节点的特征倾向于相似，使得GNN更难区分相邻节点，从而限制了GNN的性能。在本文中，我们提出了条件局部特征编码(CLFE)以帮助防止节点特征被局部邻域信息所主导。我们的方法思想是从消息传递过程中提取节点隐藏状态嵌入并与前一阶段的节点特征拼接，然后我们利用线性变换在拼接向量上形成CLFE。CLFE将形成层输出以更好地保留节点特定信息，从而帮助提高GNN模型的性能。为验证我们方法的可行性，我们在七个基准数据集上进行了广泛实验，涵盖四种图域任务：超像素图分类、节点分类、链接预测和图回归。实验结果一致显示，我们的方法在各种基线GNN模型在所有四个任务上均能提升模型性能。
引用
@article{arxiv.2405.04755,
title = {Conditional Local Feature Encoding for Graph Neural Networks},
author = {Yongze Wang and Haimin Zhang and Qiang Wu and Min Xu},
journal= {arXiv preprint arXiv:2405.04755},
year = {2024}
}
备注
11 pages