具有图自校正机制的多样化多尺度图学习
机器学习
2021-03-18 v1
摘要
尽管多尺度图学习技术已实现了先进的特征提取框架,但经典集成策略在面临所学表示高度同质化时可能表现不佳,这由现有图池化方法的本质所导致。为应对此问题,我们提出了一种多样化多尺度图学习模型,其包含两个核心组件:用于生成信息丰富嵌入图的图自校正(GSC)机制,以及用于实现对输入图全面表征的多样性提升正则化器(DBR)。所提出的 GSC 机制通过反馈估计的残差图来补偿图池化过程中丢失的信息,可作为流行图池化方法的插件组件。同时,经 GSC 过程增强的池化方法促进了节点嵌入的差异性,从而有助于集成学习策略的成功。所提出的 DBR 则通过利用各分类器间的交互在图级嵌入上增强集成多样性。在流行图分类基准上的大量实验表明,所提出的 GSC 机制相较最先进的图池化方法取得了显著改进。此外,结合 GSC 与 DBR 的集成多尺度图学习模型实现了优越的性能提升。
引用
@article{arxiv.2103.09754,
title = {Diversified Multiscale Graph Learning with Graph Self-Correction},
author = {Yuzhao Chen and Yatao Bian and Jiying Zhang and Xi Xiao and Tingyang Xu and Yu Rong and Junzhou Huang},
journal= {arXiv preprint arXiv:2103.09754},
year = {2021}
}