特征相关性聚合：通向更优图神经网络之路
机器学习
2021-09-22 v1 计算机视觉与模式识别
摘要
在图神经网络（GNN）引入之前，对不规则数据尤其是图的建模与分析曾被认为是深度学习的阿喀琉斯之踵。GNN的核心思想是通过递归聚合中心节点及其邻居的表示来寻找一种表征。GNN的核心思想是通过递归聚合中心节点及其邻居的表示来寻找一种表征，其成功已被众多GNN的设计所证明。然而，大多数方法仅关注节点与其邻居之间的一阶信息。本文中，我们对GNN的核心操作进行了一个看似极其简单且无伤大雅的修改，引入中心节点置换变体函数，即特征相关性聚合（FOG）模块，该模块在流水线中从节点与其邻居之间的特征相关性学习二阶信息。通过将FOG加入现有的GNN变体中，我们凭经验验证了该二阶信息在广泛基准上补充了原始GNN生成的特性。观察到模型性能的切实提升，其中模型在参数量更少的情况下，以显著优势超越先前最先进（SOTA）结果。（例如，在使用图卷积网络的真实世界分子数据集上提升33.116%。）
引用
@article{arxiv.2109.09300,
title = {Feature Correlation Aggregation: on the Path to Better Graph Neural Networks},
author = {Jieming Zhou and Tong Zhang and Pengfei Fang and Lars Petersson and Mehrtash Harandi},
journal= {arXiv preprint arXiv:2109.09300},
year = {2021}
}