Eigen-GNN：一种保持图结构的 GNN 即插即用模块
机器学习
2020-06-09 v1 机器学习
摘要
图神经网络（GNNs）是图上新兴的机器学习模型。尽管理论上已证明足够深的 GNN 能够完全保持图结构，但实践中大多数现有 GNN 模型较浅且本质上以特征为中心。我们通过实验和分析表明，现有的浅层 GNN 不能很好地保持图结构。为克服这一根本挑战，我们提出 Eigen-GNN，一种简单而有效且通用的插件模块，以提升 GNN 保持图结构的能力。具体而言，我们将图结构的特征空间与 GNN 相融合，把 GNN 视为一种降维并扩展初始降维基。无需增加深度，Eigen-GNN 因初始基同时包含节点特征和图结构而在处理特征驱动与结构驱动任务时具有更大灵活性。我们给出了大量实验结果，以证明 Eigen-GNN 在节点分类、链接预测和图同构测试等任务中的有效性。
引用
@article{arxiv.2006.04330,
title = {Eigen-GNN: A Graph Structure Preserving Plug-in for GNNs},
author = {Ziwei Zhang and Peng Cui and Jian Pei and Xin Wang and Wenwu Zhu},
journal= {arXiv preprint arXiv:2006.04330},
year = {2020}
}
备注
11 pages plus 8 pages for appendices, 4 figures