DeepHGCN: 迈向更深的双曲图卷积网络
机器学习
2024-08-12 v5
摘要
双曲图卷积网络(HGCNs)在从层次化图中提取信息方面已展现出显著潜力。然而,由于双曲运算的计算开销以及随深度增加而出现的过平滑问题,现有的 HGCNs 局限于浅层架构。尽管已有方法用于缓解 GCNs 中的过平滑,但开发双曲解决方案面临独特挑战,因为运算必须精心设计与双曲性质相契合。为应对这些挑战,我们提出 DeepHGCN,首个具有大幅提升的计算效率和显著降低的过平滑问题的深度多层 HGCN 架构。DeepHGCN 具有两项关键创新:(1) 一种新颖的双曲特征变换层,可实现快速且精确的线性映射;(2) 诸如双曲残差连接以及对权重和特征的正则化等技术,由高效的双曲中点法所促成。大量实验表明,与欧几里得及浅层双曲 GCN 变体相比,DeepHGCN 在链接预测和节点分类任务上取得了显著改进。
引用
@article{arxiv.2310.02027,
title = {DeepHGCN: Toward Deeper Hyperbolic Graph Convolutional Networks},
author = {Jiaxu Liu and Xinping Yi and Xiaowei Huang},
journal= {arXiv preprint arXiv:2310.02027},
year = {2024}
}
备注
Accepted to IEEE Transactions on Artificial Intelligence