跨空间自适应滤波器：融合图拓扑与节点属性以缓解过度平滑问题
机器学习
2024-02-13 v2 人工智能
摘要
原始图卷积网络（GCN）使用低通滤波器从图拓扑中提取低频信号，这可能导致GCN在加深时出现过度平滑问题。为此，已有多种方法通过引入从图拓扑中提取的额外滤波器（例如高通滤波器）来创建自适应滤波器。然而，这些方法严重依赖拓扑信息而忽略了节点属性空间，这严重牺牲了深层GCN的表达能力，尤其是在处理异配图时。本文提出了一种跨空间自适应滤波器，称为CSF，以产生从拓扑空间和属性空间中提取的自适应频率信息。具体来说，我们首先推导了一个定制的基于属性的高通滤波器，该滤波器在理论上可解释为半监督核岭回归的最小化器。然后，我们在GCN的背景下将基于拓扑的低通滤波器视为Mercer核。这为将其与基于属性的滤波器结合以捕获自适应频率信息奠定了基础。最后，我们通过一种有效的多核学习策略推导出跨空间滤波器，该策略统一了基于属性的高通滤波器和基于拓扑的低通滤波器。这有助于在保持有效性的同时解决过度平滑问题。大量实验表明，CSF不仅成功缓解了过度平滑问题，而且提升了节点分类任务的有效性。
引用
@article{arxiv.2401.14876,
title = {Cross-Space Adaptive Filter: Integrating Graph Topology and Node Attributes for Alleviating the Over-smoothing Problem},
author = {Chen Huang and Haoyang Li and Yifan Zhang and Wenqiang Lei and Jiancheng Lv},
journal= {arXiv preprint arXiv:2401.14876},
year = {2024}
}
备注
Accepted to WWW 2024. V2: update the results on GCN-BC based on our rebuttal on OpenReview. Our code is available at https://github.com/huangzichun/Cross-Space-Adaptive-Filter