Cross-GCN：利用 $k$ 阶特征交互增强图卷积网络
机器学习
2020-03-06 v1 机器学习
摘要
图卷积网络（GCN）是一种在图数据上执行学习与推理的新兴技术。它在图结构上开展特征学习，通过聚合邻居节点的特征来获得各目标节点的嵌入。得益于强大的表示能力，近期研究表明 GCN 在推荐和链接文档分类等若干任务上取得了最先进的性能。尽管有效，我们认为现有 GCN 的设计忽略了交叉特征建模，使得 GCN 在交叉特征重要的任务或数据上效果欠佳。虽然神经网络可以逼近任意连续函数（包括用于建模特征交叉的乘法算子），但若无显式设计，这样做可能相当低效（即浪费大量参数并面临过拟合风险）。为此，我们设计了一种名为交叉特征图卷积的新算子，它以关于特征维数与阶数大小线性的复杂度显式建模任意阶交叉特征。我们将所提架构称为 Cross-GCN，并在三个图上进行实验以验证其有效性。大量分析验证了在 GCN 中显式建模交叉特征的效用，尤其对于较低层中的特征学习。
引用
@article{arxiv.2003.02587,
title = {Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature Interactions},
author = {Fuli Feng and Xiangnan He and Hanwang Zhang and Tat-Seng Chua},
journal= {arXiv preprint arXiv:2003.02587},
year = {2020}
}
备注
Submitted to TKDE