单层图神经网络的可判别性
信号处理
2020-10-22 v2 机器学习
机器学习
摘要
网络数据可方便地建模为图信号，其中数据值被赋予描述底层网络拓扑的图节点。从网络数据中成功学习需要能有效利用该图结构的方法。图神经网络（GNNs）提供了一种这样的方法，并在广泛的问题上展现出有前景的性能。理解 GNNs 为何有效至关重要，尤其在涉及物理网络的应用中。我们聚焦于可判别性这一性质，并建立了在稳定的图滤波器组中加入逐点非线性会提升对高特征值内容判别能力的条件。我们定义了与架构稳定性相关的可判别性概念，表明 GNNs 至少与线性图滤波器组具有同等的判别力，并刻画了两者均无法判别的信号。
引用
@article{arxiv.2010.08847,
title = {Discriminability of Single-Layer Graph Neural Networks},
author = {Samuel Pfrommer and Fernando Gama and Alejandro Ribeiro},
journal= {arXiv preprint arXiv:2010.08847},
year = {2020}
}
备注
Submitted to IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2021)