图神经网络的特征选择与提取
机器学习
2024-09-05 v2 社会与信息网络
机器学习
摘要
图神经网络（GNNs）已成为数据科学中近期的研究热点，因为它们使用无处不在的数据结构图作为构建和训练神经网络的基础元素。在 GNN 中，每个节点都有大量与之关联的特征。整个任务（例如分类或聚类）利用节点的特征在节点级或图级做出决策。在本文中，（1）我们通过 Gumbel Softmax 将中提出的特征选择算法扩展到 GNNs，并使用各种基准数据集：Cora、Citeseer 和 Pubmed 对我们的特征选择算法进行了一系列实验。（2）我们实现了一种对提取特征进行排序的机制。我们证明了我们的算法在特征选择和排序两方面的有效性。对于 Cora 数据集，（1）我们使用该算法从 1433 个特征中选出 225 个特征，实验结果表明它们对相同的分类问题是有效的。（2）我们提取的特征为原始特征的线性组合，其中每个提取特征的系数非负且和为一。我们提出一种算法对提取的特征进行排序，使得在相同的分类问题中，按排名 1-50、51-100、100-150 和 151-200 使用提取特征时，准确率逐渐下降。
引用
@article{arxiv.1910.10682,
title = {Feature Selection and Extraction for Graph Neural Networks},
author = {Deepak Bhaskar Acharya and Huaming Zhang},
journal= {arXiv preprint arXiv:1910.10682},
year = {2024}
}