面向图神经网络的快速 Haar 变换
机器学习
2019-10-31 v3 机器学习
摘要
图神经网络（GNNs）近期成为 intensively 研究的课题，因其在图结构数据的高维分类与回归任务中具备强大能力。然而，由于 GNNs 通常通过图拉普拉斯算子的正交基定义图卷积，当图规模较大时它们面临高计算成本。本文引入 Haar 基，它是图上粗粒度链的一个稀疏且局部化的正交系。相应地可为此类 Haar 基下的图卷积（称为 Haar 卷积）定义于 GNNs。Haar 基的稀疏性与局部化允许图上的快速 Haar 变换（FHTs），借此可实现图数据与滤波器间 Haar 卷积的快速计算。我们在配备 Haar 卷积的 GNNs 上开展实验，其在基于图的回归与节点分类任务上展示了最先进（state-of-the-art）的结果。
引用
@article{arxiv.1907.04786,
title = {Fast Haar Transforms for Graph Neural Networks},
author = {Ming Li and Zheng Ma and Yu Guang Wang and Xiaosheng Zhuang},
journal= {arXiv preprint arXiv:1907.04786},
year = {2019}
}
备注
24 pages, 5 figures, 3 tables