深入探究深层图卷积网络: 稳定性与泛化
机器学习
2025-09-30 v2 人工智能
机器学习
摘要
图卷积网络(GCNs)已成为图学习任务中强大的模型,在各个领域展现出有前景的性能。尽管其 empirical success 明显,但有日益增长的需求从理论视角理解其基本能力。现有的理论研究主要聚焦于单层GCN的分析,而对 deep GCNs 稳定性和泛化性的全面理论探索仍有限。本文通过深入探讨 deep GCNs 的稳定性和泛化性,旨在通过刻画其上限来提供有价值的见解。我们的理论结果揭示,deep GCNs 的稳定性和泛化性受到诸多关键因素的影响,包括图滤波器算子的最大绝对特征值和网络深度。我们的理论研究深化了对 deep GCNs 稳定性和泛化性属性的理解, potentially 为开发更可靠和高性能的模型指明了方向。
引用
@article{arxiv.2410.08473,
title = {Deeper Insights into Deep Graph Convolutional Networks: Stability and Generalization},
author = {Guangrui Yang and Ming Li and Han Feng and Xiaosheng Zhuang},
journal= {arXiv preprint arXiv:2410.08473},
year = {2025}
}
备注
50 pages, 3 figures, published in IEEE Trans. Pattern Anal. Mach. Intell. 2025