面向图上无监督与半监督学习的维度可分二维图卷积
机器学习
2021-06-10 v5 机器学习
摘要
图卷积神经网络（GCN）一直是图表示学习的首选模型，这主要归功于其有效的图卷积设计，即通过聚合邻居的表示来计算节点的表示。然而，现有 GCN 变体通常使用仅作用于对象链接图的一维图卷积，而未探索对象属性间的信息化关系信息。这显著限制了它们的建模能力，并可能导致在噪声大且稀疏的真实世界网络上性能不佳。本文中，我们探索二维图卷积以联合建模对象链接与属性关系来进行图表示学习。具体而言，我们提出一种计算高效的维度可分二维图卷积（DSGC）用于过滤节点特征。理论上，我们证明 DSGC 能在对象维度和属性维度上降低节点特征的类内方差，从而学习更有效的表示。在实验上，我们证明通过建模属性关系，DSGC 在多种真实世界网络的节点分类与聚类上相比最先进的方法取得了显著的性能提升。用于复现实验结果的源代码可在 https://github.com/liqimai/DSGC 获取。
引用
@article{arxiv.1909.12038,
title = {Dimensionwise Separable 2-D Graph Convolution for Unsupervised and Semi-Supervised Learning on Graphs},
author = {Qimai Li and Xiaotong Zhang and Han Liu and Quanyu Dai and Xiao-Ming Wu},
journal= {arXiv preprint arXiv:1909.12038},
year = {2021}
}
备注
Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '21)