基于特征分解的异配网络图自适应方法
机器学习
2021-07-29 v1 社会与信息网络
摘要
图神经网络（GNNs）在具有强同配性（即相连节点标签相同）的图上表现优异，但在异配图上表现不佳。若干方法通过提出利用有标签数据优化任务特定损失函数来自适应图的模型以解决异配问题。这些自适应或通过注意力机制，或通过按任务需要衰减或增强各类低频/高频信号实现。更新的方法自适应图的特征值。该自适应的一个重要解读是：这些模型对图的特征向量进行选择/加权。基于该解读，我们提出一种基于特征分解的方法，并给出 EigenNetwork 模型，以提升 GNN 在异配图上的性能。通过学习的灵活图自适应函数调制图的特征值实现性能提升；通过这些函数的参数共享正则化可进一步改善性能。我们的方法在异配图上相较 SOTA 方法取得最高 11% 的性能提升。
引用
@article{arxiv.2107.13312,
title = {Effective Eigendecomposition based Graph Adaptation for Heterophilic Networks},
author = {Vijay Lingam and Rahul Ragesh and Arun Iyer and Sundararajan Sellamanickam},
journal= {arXiv preprint arXiv:2107.13312},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2106.12807