融合图卷积网络
机器学习
2018-09-24 v5 社会与信息网络
机器学习
摘要
属性图（即带节点特征的图）中的半监督节点分类，涉及在给定部分标注图的情况下学习对未标注节点进行分类。标签预测通过联合建模节点及其邻域特征来实现。此类属性图上节点分类的最先进模型使用可微递归函数，能够从多跳中聚合和过滤邻域信息。在这项工作中，我们分析这些模型的表示能力，以独立调节来自多跳的信息。由我们的分析得出，这些模型尽管强大，但在有效捕捉多跳邻域信息方面表示能力有限。此外，我们还提出了一种在数学上有依据却简单的对现有图卷积网络（GCNs）的扩展，其具有改进的表示能力。我们在来自不同领域的八个流行数据集上广泛评估了所提出的模型 F-GCN。F-GCN 在六个数据集上优于半监督学习的最先进模型，而在其余两个上极具竞争力。
引用
@article{arxiv.1805.12528,
title = {Fusion Graph Convolutional Networks},
author = {Priyesh Vijayan and Yash Chandak and Mitesh M. Khapra and Srinivasan Parthasarathy and Balaraman Ravindran},
journal= {arXiv preprint arXiv:1805.12528},
year = {2018}
}