通过异构聚合增强图神经网络的信息传播
机器学习
2021-02-09 v1 人工智能
摘要
图神经网络作为深度学习在图数据上成功的延续而兴起。已提出数十种不同图神经网络变体，多数遵循邻域聚合方案，即节点特征通过逐层聚合其邻近节点特征来更新。尽管相关研究激增，GNN 的能力仍不及计算机视觉中的 CNN 与自然语言处理中的 RNN 等对应模型。我们从信息传播视角重新审视该问题，并提出通过结合异构聚合来增强 GNN 层间信息传播。我们认为，随着更丰富信息从浅层传播至深层，GNN 所构建特征的判别能力可从中获益。作为该方向首次尝试，我们提出了一种新的通用 GNN 层表述，并基于此提出称为 HAG-Net 的新 GNN 变体。我们在若干图分类基准上实证验证了 HAG-Net 的有效性，并详尽阐述了所有设计选项与准则。
引用
@article{arxiv.2102.04064,
title = {Enhance Information Propagation for Graph Neural Network by Heterogeneous Aggregations},
author = {Dawei Leng and Jinjiang Guo and Lurong Pan and Jie Li and Xinyu Wang},
journal= {arXiv preprint arXiv:2102.04064},
year = {2021}
}