图卷积网络的数据增强视角及蒙特卡洛图学习的提出
机器学习
2020-06-24 v1 机器学习
摘要
当前对图卷积网络主要有两种理解，即谱域与空间域的理解，但二者均缺乏透明性。本工作中，我们引入一种新的理解——数据增强，其比以往的理解更为透明。受此启发，我们提出一种新的图学习范式——蒙特卡洛图学习（MCGL）。MCGL 的核心思想包括：（1）数据增强：通过图结构传播训练集的标签并扩展训练集；（2）模型训练：使用扩展后的训练集训练传统分类器。我们使用合成数据集比较了 MCGL 与图卷积操作在干净图上的优势。此外，我们表明在含噪图上（四个真实世界数据集）MCGL 对图结构噪声的容忍度弱于 GCN。进而，受 MCGL 启发，我们重新分析了 GCN 在过度加深时性能变差的原因：不同于过平滑的主流观点，我们认为主要原因是图结构噪声，并通过实验验证了该观点。代码见 https://github.com/DongHande/MCGL。
引用
@article{arxiv.2006.13090,
title = {Data Augmentation View on Graph Convolutional Network and the Proposal of Monte Carlo Graph Learning},
author = {Hande Dong and Zhaolin Ding and Xiangnan He and Fuli Feng and Shuxian Bi},
journal= {arXiv preprint arXiv:2006.13090},
year = {2020}
}