剖析线性图卷积网络中的扩散过程
机器学习
2021-10-29 v2
摘要
图卷积网络（GCNs）近年来吸引了越来越多的关注。典型的 GCN 层由线性特征传播步骤与非线性变换步骤组成。近期工作表明，线性 GCN 可达到与原始非线性 GCN 相当的性能，同时计算效率更高。本文中，我们从连续图扩散的视角剖析线性 GCN 的特征传播步骤，并分析线性 GCN 为何无法从更多传播步骤中获益。在此基础上，我们提出解耦图卷积（DGC），将终止时间与特征传播步骤解耦，使其更灵活且能够利用极大量的特征传播步骤。实验表明，我们提出的 DGC 大幅改进了线性 GCN，并使其与许多现代非线性 GCN 变体具有竞争力。
引用
@article{arxiv.2102.10739,
title = {Dissecting the Diffusion Process in Linear Graph Convolutional Networks},
author = {Yifei Wang and Yisen Wang and Jiansheng Yang and Zhouchen Lin},
journal= {arXiv preprint arXiv:2102.10739},
year = {2021}
}
备注
NeurIPS 2021. Code is available at https://github.com/yifeiwang77/DGC